SIMULAÇÃO DE EVENTOS DISCRETOS APLICADA AO GERENCIAMENTO
DE PRAZO EM PROJETOS: UM ESTUDO DE CASO DE PROJETO LOGÍSTICO
NA INDÚSTRIA DE ÓLEO & GÁS
Leonardo Rosas Leal
Dissertação de Mestrado apresentada ao
Programa de Pós-graduação em Engenharia
de Produção, COPPE, da Universidade
Federal do Rio de Janeiro, como parte dos
requisitos necessários do título de Mestre
em Engenharia de Produção.
Orientador: Mário Jorge Ferreira de Oliveira.
Rio de Janeiro
Março de 2011
SIMULAÇÃO DE EVENTOS DISCRETOS APLICADA AO GERENCIAMENTO
DE PRAZO EM PROJETOS: UM ESTUDO DE CASO DE PROJETO LOGÍSTICO
NA INDÚSTRIA DE ÓLEO & GÁS
LEONARDO ROSAS LEAL
DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO
LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA
(COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE
EM CIÊNCIAS EM ENGENHARIA DE PRODUÇÃO.
Examinada por:
______________________________________________
Prof. Mário Jorge Ferreira de Oliveira, PhD
______________________________________________
Prof. Virgílio José Martins Ferreira Filho, D.Sc.
______________________________________________
Prof. Silvio Hamacher, D.Sc.
RIO DE JANEIRO, RJ-BRASIL
MARÇO DE 2011
Leal, Leonardo Rosas
Simulação
De
Eventos
Discretos
Aplicada
ao
Gerenciamento de Prazo em Projetos: Um Estudo de Caso de
Projeto Logístico na Indústria de Óleo & Gás/ Leonardo
Rosas Leal. – Rio de janeiro: UFRJ/COPPE, 2011.
XI, 153 p.: il.; 29,7 cm.
Orientador: Mário Jorge Ferreira de Oliveira
Dissertação (mestrado) – UFRJ/ COPPE/ Programa de
Engenharia de Produção, 2011.
Referências Bibliográficas: p.86 - 93
1.
Simulação 2. Gerenciamento 3. Prazo 4.
Indústria de Óleo & Gás. I. Oliveira, Mario Jorge Ferreira
de. II. Universidade Federal do Rio de Janeiro, COPPE,
Programa de Engenharia de Produção. III. Título.
iii
DEDICATÓRIA
“Porque toda a carne é como a erva, e toda
a glória do homem como a erva. Secou-se a
erva, e caiu a sua flor; mas a palavra do
Senhor permanece para sempre.”
(1º Pedro, 24-25)
iv
AGRADECIMENTOS
Ao meu Deus, que me concedeu a sua graça e a oportunidade de viver essa vida
passageira, lutando pela eternidade.
Ao meu mestre, o Senhor Jesus, por me guiar dia após dia, passo a passo, na estrada
dessa vida.
À toda a minha família pelos princípios que dela recebi e que me fizeram chegar até
aqui; meus pais, Carlos e Dulce, minha irmã Carla, meus avós Joaquim e Enide e meus
tios Péricles e Artur, as pessoas mais presentes na minha vida.
À minha esposa, Elaine Aparecida dos Santos Leal, pelo carinho, compreensão e apoio
que foram fundamentais no desenvolvimento do meu trabalho.
Ao professor e orientador, Mário Jorge Ferreira de Oliveira, pela amizade e apoio no
desenvolvimento desse tema ainda incipiente em nosso país.
Ao amigo e Engenheiro de Produção, Daniel Otoni Borges, pela contribuição prestada
ao desenvolvimento deste trabalho.
À amiga e Engenheira Civil, Vanessa Tieme Ochi, pela contribuição prestada ao
desenvolvimento deste trabalho.
À todos os que, de alguma maneira, contribuíram para o desenvolvimento deste
trabalho.
v
Resumo da Dissertação apresentada a COPPE/UFRJ como parte dos requisitos
necessários para obtenção do grau de Mestre em Ciências (M.S.c)
SIMULAÇÃO DE EVENTOS DISCRETOS APLICADA AO GERENCIAMENTO
DE PRAZO EM PROJETOS: UM ESTUDO DE CASO DE PROJETO LOGÍSTICO
NA INDÚSTRIA DE ÓLEO & GÁS
Leonardo Rosas Leal
Março/2011
Orientador: Mário Jorge Ferreira de Oliveira
Programa: Engenharia de Produção
O presente trabalho mostra como a Simulação de Eventos Discretos pode ser empregada
para se pesquisar cenários de execução de um projeto, sob uma perspectiva de
gerenciamento de prazo. Por meio de um modelo de Simulação (modelo matemático) do
sistema real, são analisados diversos aspectos sobre a realização de um projeto logístico
na indústria de óleo e gás. Para tanto, as principais aleatoriedades do sistema são
contempladas no modelo de Simulação. Com isso, dois objetivos são estabelecidos:
primeiro, descobrir cenários do sistema com uma expectativa de prazo de projeto menor
do que é previsto no cenário real atual e, se possível, a custo zero; segundo, verificar,
sob certo contexto, se um modelo de Simulação poderia prever um tempo de projeto
mais próximo ao tempo real demandado, se comparado à previsão feita por uma
ferramenta PERT/CPM. Surpreendentemente, além de ter se achado vários cenários
com ganhos em prazo, dois deles oferecem isso a custo zero e a baixo custo,
respectivamente. Para o segundo objetivo, confirmou-se que um modelo de Simulação
para o sistema poderia prever um tempo de realização do projeto mais próximo ao prazo
real do que uma ferramenta PERT/CPM.
vi
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.S.c)
DISCRETE EVENT SIMULATION APPLIED TO THE PROJECT TIME
MANAGEMENT: A CASE OF LOGISTIC PROJECT IN OIL & GAS INDUSTRY.
Leonardo Rosas Leal
March/2011
Advisor: Mário Jorge Ferreira de Oliveira
Department: Industrial Engineering
This work shows how Discrete Event Simulation could be employed to
research project execution scenarios in a view of time management. Through a
Simulation model (mathematical model) of the real system, a lot of aspects are analysed
in a logistic project in the oil & gas industry. To do that, some of the major stochastic
aspects of the system are considered in the Simulation model. Then, two objectives are
given: First, find out a sort of scenarios that offer a lower project time expectation in
relation to the current actual scenario and, if possible, without cost; Second, verify if a
Simulation model could predict a project time nearer to the real project time than a
PERT/CPM tool in a certain context. Surprisingly, besides a lot of scenarios could reach
lower project time, two of them could be done with no cost and low cost, respectively.
As for the second objective, it has been confirmed that a Simulation model of the
system could forecast a nearer project time in relation to the real project time than a
PERT/CPM tool.
vii
SUMÁRIO
1. INTRODUÇÃO .......................................................................................................... 1
1.1 Justificativa do estudo........................................................................................... 3
1.2 Objetivos ............................................................................................................... 4
1.3 Relevância do tema ............................................................................................... 5
1.4 Estrutura e conteúdo da dissertação ...................................................................... 5
2. METODOLOGIA DE PESQUISA .......................................................................... 7
2.1 O Processo de pesquisa ......................................................................................... 7
2.2 Perguntas-chaves da pesquisa ............................................................................... 9
2.3 Palavras-chaves da pesquisa ................................................................................. 9
2.4 Conclusões ............................................................................................................ 9
3. SIMULAÇÃO........................................................................................................... 11
3.1. O Conceito de sistema ........................................................................................ 11
3.2. O Conceito de modelo ........................................................................................ 11
3.2.1 O Conceito de modelo determinístico e de modelo estocástico ............. 12
3.3. O Conceito de Simulação ................................................................................... 13
3.4. A solução de problemas: modelos analíticos x modelos de Simulação. ............. 13
3.5. Etapas de um estudo de Simulação ..................................................................... 15
4. REVISÃO BIBLIOGRÁFICA ............................................................................... 17
4.1 Método utilizado: ................................................................................................ 17
4.2 Marcos históricos: ............................................................................................... 18
4.2.1 Monte Carlo: ........................................................................................... 18
4.2.2 GERT – Graphic Evaluation and Review Technique: ............................ 19
4.2.3 VERT – Venture Evaluation and Review Technique: ............................ 20
4.2.4 SD – Sistemas Dinâmicos: ...................................................................... 21
4.2.5 SED – Simulação de Eventos Discretos: ................................................ 22
4.2.6 Simulação Híbrida: ................................................................................. 23
4.3 Estratificações e análise dos resultados: ............................................................. 24
4.4 Conclusões: ......................................................................................................... 31
viii
5. O PROJETO DE LEVANTAMENTO DE DADOS GEOFÍSICOS E
GEOTÉCNICOS PARA LANÇAMENTO DE DUTOS SUBMARINOS .............. 35
6. MODELAGEM ........................................................................................................ 38
6.1 Criação do modelo conceitual ............................................................................ 38
6.2 Coleta de dados ................................................................................................... 41
6.2.1 Dados de entrada com registro histórico:................................................ 41
6.2.2 Dados de entrada sem registro histórico: ................................................ 44
6.3 Tradução do modelo (implementação) ............................................................... 46
6.4 Verificação do modelo ........................................................................................ 48
6.5 Validação do modelo .......................................................................................... 48
7. PROJETO DE EXPERIMENTOS GERAL ......................................................... 50
7.1 Projeto de Experimentos Estatístico com Simulação (2k x r) para os fatores
internos à OIL & GAS Enterprise .............................................................................. 52
7.2 Projeto de Experimentos Estatístico com Simulação (2k x r) para os fatores
externos à OIL & GAS Enterprise .............................................................................. 55
7.3 Rodadas............................................................................................................... 58
7.4 Medidas de desempenho ..................................................................................... 58
7.5 Intervalos de confiança ....................................................................................... 59
7.6 Confiança estatística e precisão .......................................................................... 59
7.7 Replicações ......................................................................................................... 60
7.8 Amostra piloto .................................................................................................... 60
8. PRODUÇÃO DAS RODADAS E ANÁLISE DOS RESULTADOS ................... 62
8.1 Análise da rodada 1 – Modelo estocástico atual (modelo real do sistema) ........ 63
8.2 Análise das rodadas com variações no tempo relativo de início entre águas rasas
e profundas ................................................................................................................. 66
8.3 Análise das rodadas com início simultâneo de águas rasas e profundas e com
variações de recursos .................................................................................................. 69
8.4 Análise das rodadas com variações no tempo das atividades fazer ensaios de
laboratório de águas rasas e profundas ....................................................................... 72
8.4.1. Análise de sensibilidade para a moda e para o tempo pessimista da
atividade fazer ensaios de laboratório para águas rasas. ................................... 75
ix
8.5 Testes de hipóteses ............................................................................................. 78
8.6 Rodadas adicionais ............................................................................................. 79
8.7 Documentação e relatório ................................................................................... 79
8.8 Implementação .................................................................................................... 79
8.9 Análise dos resultados e conclusões para a produção das rodadas ..................... 80
9. CONCLUSÕES ........................................................................................................ 83
10. REFERÊNCIAS BIBLIOGRÁFICAS ................................................................ 86
11. APÊNDICES .......................................................................................................... 94
A.1 Descrição das etapas de um estudo de Simulação. ............................................. 94
A.2 Projeto de Experimentos Estatístico com Simulação ......................................... 98
A.3 Estatísticas e gráfico de probabilidade para as rodadas .................................... 105
A.3.1 Rodada 2 – Modelo determinístico total ............................................... 105
A.3.2 Rodada 3 – Modelo determinístico no tempo ....................................... 107
A.3.3 Rodada 4 – Modelo começando o trecho de águas profundas 14 dias
antes de águas rasas .......................................................................................... 109
A.3.4 Rodada 5 – Modelo começando o trecho de águas profundas 7 dias antes
de águas rasas ................................................................................................... 111
A.3.5 Rodada 6 – Modelo começando o trecho de águas rasas junto com águas
profundas .......................................................................................................... 113
A.3.6 Rodada 7 – Modelo começando o trecho de águas rasas 7 dias antes de
águas profundas ................................................................................................ 115
A.3.7 Rodada 8 – Modelo começando o trecho de águas rasas 14 dias antes de
águas profundas ................................................................................................ 117
A.3.8 Rodada 9 – Modelo começando o trecho de águas rasas 20 Dias antes de
águas profundas ................................................................................................ 119
A.3.9 Rodada 10 – Modelo começando o trecho de águas rasas 60 dias antes de
águas profundas ................................................................................................ 121
A.3.10 Rodada 11 – Modelo com 1,5 EGF ...................................................... 123
A.3.11 Rodada 12 – Modelo com 2 EGF ......................................................... 125
A.3.12 Rodada 13 – Modelo com 3 EGF ......................................................... 127
A.3.13 Rodada 14 – Modelo com 1,5 EGF e 1,5 GE ....................................... 129
A.3.14 Rodada 15 – Modelo com 1,5 EGF e 2 GE .......................................... 131
x
A.3.15 Rodada 16 – Modelo com 1,5 GE ......................................................... 133
A.3.16 Rodada 17 – Modelo com 2 GE ............................................................ 135
A.3.17 Rodada 18 – Modelo com 2 EGF e 1,5 GE .......................................... 137
A.3.18 Rodada 19 – Modelo com 2 EGF e 2 GE ............................................. 139
A.3.19 Rodada 20 – Modelo com 3 EGF e 1,5 GE .......................................... 141
A.3.20 Rodada 21 – Modelo com 3 EGF e 2 GE ............................................. 143
A.3.21 Rodada 22 – Modelo estocástico com redução do tempo de fazer ensaios
de laboratório para águas rasas ......................................................................... 145
A.3.22 Rodada 23 – Modelo estocástico com redução do tempo de fazer ensaios
de laboratório para águas profundas ................................................................. 147
A.3.23 Rodada 24 - Modelo estocástico com redução do tempo de fazer ensaios
de laboratório para águas rasas e profundas simultaneamente. ........................ 149
A.4 Comparação de médias com dados emparelhados ............................................ 151
xi
1. INTRODUÇÃO
O Gerenciamento de Projetos é uma atividade de tamanha complexidade que não há
como se abrir mão de instrumentos de tomada de decisão, baseados em um método
científico (WILLIANS, 2003). Essa visão tem sido uma tendência nos últimos vinte
anos (IJPM, 2010). Inúmeras iniciativas têm sido propostas, especialmente no campo da
Pesquisa Operacional, com o intuito de se fornecer modelos científicos de tomada de
decisão em gerenciamento de projetos (TAVARES, 2002 e WILLIANS, 2003).
Nesse contexto, a Pesquisa Operacional, por meio de sua técnica chamada Simulação,
tem despertado grande interesse da comunidade científica em gerenciamento de
projetos, em termos de aplicação dessa técnica como uma das mais apropriadas
ferramentas para a condução de um projeto (ARTTO, 2001, CATES, 2004,
JAHANGIRIAN et al, 2010, BANKS, 2010). O próprio PMBOK, do PROJECT
MANAGEMENT INSTITUTE (2004), tido como um dos principais guias em
gerenciamento de projetos, aborda o uso de Simulação em gerenciamento de projetos
para a análise de cenários e de riscos de prazo e de custos. Deve-se ressaltar, contudo, a
maneira breve com a qual expõe o assunto, restringindo-se somente à Simulação de
Monte Carlo.
Diferente do que se poderia pensar, o uso de Simulação em gerenciamento de projetos é
um assunto bastante antigo, datando desde o final da década de 1950, quando foi
proposto, de maneira pioneira, o uso da Simulação de Monte Carlo no gerenciamento de
prazo de projetos (HERBERT, 1979). Entretanto, só recentemente, esse assunto vem
ganhando força, especificamente nos últimos vinte anos (IJPM, 2010). O tema ficou
estagnado por muito tempo, tanto em termos de publicações, como em termos de seu
próprio desenvolvimento. Contudo, com o avanço da computação, barateamento e
popularização de softwares e hardwares, nos últimos vinte anos, vêm crescendo a
pesquisa e o número de publicações sobre o assunto em questão (KHOSHNEVIS,
1994).
Recentemente, a aplicação da Simulação em gerenciamento de projetos vem sendo
percebida como uma das mais confiáveis ferramentas para se entender o comportamento
estocástico de um projeto, principalmente em termos de entendimento das interações
entre as várias aleatoriedades envolvidas no projeto (LEE, 2005). Além disso, já em
1
meados da década de 1990, WILLIANS (1995) lembra da conveniência de contínuo
desenvolvimento, via Simulação, de técnicas para se analisar o comportamento da
execução de um projeto, já que as metodologias predominantes na época
(particularmente, a CPM – Critical Path Method e o PERT – Project Evaluation and
Review Techinique) tinham um caráter excessivamente determinístico, compostas por
muitas simplificações. Dentre essas simplificações, poderíamos citar: é atribuído um
valor fixo para o tempo de execução de cada atividade, não são atribuídas incertezas
associadas à ocorrência ou não de uma atividade, os recursos estão disponíveis no
tempo certo para as atividades, não são previstos re-trabalhos para as atividades, etc.
Essas simplificações, normalmente, geram previsões incorretas para o tempo necessário
de execução de um projeto (LEE, 2005; KWAK, 2007). Por outro lado, segundo
WILLIANS (1995), inúmeras aleatoriedades características no dia-a-dia de um projeto
poderiam ser representadas por meio de um modelo de Simulação, constituindo-se,
assim, uma ferramenta conveniente para o gerenciamento de um projeto. Dentre as
aleatoriedades que um modelo de Simulação poderia representar, podemos citar:
atividades com tempos de execução segundo uma função de densidade de
probabilidade, possibilidade de modelagem de re-trabalhos nas atividades do projeto,
eventos probabilísticos, ramificação condicional das atividades, recursos escassos
compartilhados em atividades do projeto, dedicação parcial de recursos, falhas
aleatórias em máquinas, paradas aleatórias de máquinas para manutenção não
programadas, etc.
Atualmente, com base no contexto discutido, o uso de Simulação em gerenciamento de
projetos já abrange discussões sobre o uso da metodologia de Simulação de Eventos
Discretos, Simulação Híbrida (JAHANGIRIAN et al, 2010) e Simulação Virtual
aplicada ao gerenciamento de projetos, WWW.wintersim.org. Assim sendo, a
Simulação vem se apresentando como uma corrente metodológica em gerenciamento de
projetos. Inúmeras motivações práticas, do dia-a-dia de um projeto, têm “alimentado”
essa tendência. Dentre as principais, podemos citar: gestão de risco de prazo e de custos
em projetos, gestão de erros em projetos, gestão de mudanças em projetos, gestão de
escopo em projetos, etc. Entretanto, apesar do eminente desenvolvimento do assunto,
persistem organizações que “fecham os olhos” para essa questão, lançando mão
exclusivamente de ferramentas analíticas que, para os dias de hoje, poderiam ser
2
consideradas excessivamente limitadas, como a CPM (Critical Path Method) e PERT
(Project Evaluation and Review Techinique), (KWAK, 2007).
No trabalho em questão, será mostrado como o uso da Simulação de Eventos Discretos
pode ser empregado como ferramenta de análise de cenários e de risco de prazo na
condução de um projeto. Para isso, escolheu-se como estudo de caso um projeto de
levantamento de dados geofísicos e geotécnicos para lançamento de dutos submarinos
na indústria de óleo & gás. O mesmo pertence a uma empresa a qual designaremos,
neste trabalho, com o nome de Oil & Gas Enterprise.
O presente estudo mostrará que, por meio da Simulação de Eventos Discretos, pode-se
construir cenários de operação de um sistema (no caso, a execução de um projeto) com
ganhos em prazo a custo zero, ou a baixo custo. No presente estudo de caso, isso será
obtido, basicamente, com uma sincronização de execução entre duas etapas do projeto:
uma chamada de trecho do projeto de águas rasas e a outra de trecho de águas
profundas. Além disso, para a sugestão final de operação do sistema, será realizada uma
análise de qual recurso, e em que nível, poderá ser o mesmo empregado, tendo como
resultado o maior ganho em prazo de realização do projeto, com baixo custo adicional
desse recurso.
1.1
Justificativa do estudo
O projeto de levantamento de dados geofísicos e geotécnicos para lançamento de dutos
submarinos na indústria de óleo & gás é uma modalidade de projeto que tem por
objetivo estabelecer as premissas de concepção para o projeto de Engenharia básica de
dutos submarinos. O duto submarino é um empreendimento que interliga a produção de
poços marítimos de petróleo e gás às plataformas, assim como interliga essas
plataformas com terminais em terra – instalação industrial na qual o óleo passa antes de
ser enviado para uma refinaria processar – (ANTAKI, 2003).
Nessa modalidade de projeto, é comum uma duração real em torno de quase um ano,
segundo dados históricos. Dessa forma, justifica-se o estudo em questão, porque esse
tempo é considerado muito elevado para uma modalidade de projeto de levantamento de
dados. Lembrando que esse projeto não é, sequer, o projeto de Engenharia básica do
duto, ou, muito menos, a construção & montagem do duto.
3
Além disso, não bastasse o tempo elevado de execução desse projeto, o mesmo está
sujeito a uma diversidade de riscos que, no limite, pode até atrasar a partida de operação
de uma plataforma. Isso pode acontecer, porque as plataformas são deslocadas para
atenderem a produção de campos distintos, em locais distintos, de um momento para
outro.
1.2
Objetivos
O primeiro objetivo deste trabalho é analisar e avaliar o processo que representa a
execução do projeto em questão, por meio de um modelo de Simulação de Eventos
Discretos, estudando cenários, a fim de se reduzir o tempo provável de execução desse
tipo de projeto. Se possível, buscar-se-á cenários com ganhos em prazo à custo zero, ou
próximos a zero. A Simulação foi a técnica de Pesquisa Operacional escolhida para esse
estudo, pois possui grande capacidade em lidar com sistemas complexos, repletos de
vários tipos de aleatoriedades (LAW, 2007), como é o caso da execução de um projeto
(CATES, 2004 e WILLIANS, 2003).
Em acréscimo, diversas estratégias podem ser usadas para o estudo e melhoria do
processo de execução do projeto. Duas merecem destaque especial por serem, em
princípio, as que seriam usadas nesse estudo: re-formulação do processo de execução do
projeto ou re-arranjar a maneira como o processo atual é executado.
Já o segundo objetivo deste trabalho relaciona-se com a hipótese sugerida por LEE
(2005) e KWAK (2007). Ou seja, ao comparar-se o tempo de projeto previsto por uma
ferramenta PERT/CPM com o tempo real do projeto, verifica-se que, na maioria dos
casos, o tempo previsto de realização do projeto fora subestimado inicialmente (LEE,
2005; KWAK, 2007). Assim, o presente objetivo foi concebido da seguinte maneira: ao
testificar que a estimativa do prazo de realização do projeto, feita por meio da
ferramenta PERT/CPM, fora subestimada em relação ao prazo real de conclusão do
projeto, testar se o modelo de Simulação para o sistema real conseguiria prever um
prazo de projeto mais próximo ao prazo real de conclusão do mesmo.
4
1.3
Relevância do tema
O uso de instrumentos científicos no processo de tomada de decisões em gerenciamento
de projetos vem se tornando uma exigência nas principais instituições que lidam com
esse tipo de atividade. Pelo menos quando se fala em empresas sérias, comprometidas
com uma boa gestão. Do contrário, pode-se atingir um nível insuportável de decisões
equivocadas, as quais normalmente são feitas sem um embasamento lógico-científico,
comprometendo volumes vultosos de dinheiro, esforço humano, tempo, etc.
Logo, o tema em questão torna-se relevante na medida em que se apresenta como uma
alternativa em termos de um gerenciamento científico de projeto. No caso em questão,
sob o ponto de vista de gerenciamento de prazo. Além disso, espera-se que este
trabalho, por meio desse tema, venha a contribuir com a divulgação dessa técnica em
gerenciamento de projetos, principalmente em termos de Brasil, já que apesar do
assunto se apresentar como promissor, ainda é bastante incipiente em nosso país.
1.4
Estrutura e conteúdo da dissertação
O capítulo 1 apresenta a introdução do trabalho, a justificativa do estudo, os dois
objetivos do trabalho e a relevância do tema.
O capítulo 2 apresenta a metodologia de pesquisa de tese.
O capítulo 3 faz uma revisão dos principais conceitos relacionados à metodologia de
Simulação, a partir do momento em que se decide usar essa metodologia.
O capítulo 4 faz uma revisão bibliográfica de toda a Simulação aplicada ao
gerenciamento de projetos, assim como justifica o uso da Simulação de Eventos
Discretos para a resolução do problema apresentado.
O capítulo 5 introduz o estudo de caso da dissertação.
O capítulo 6 apresenta a construção do modelo conceitual do sistema em estudo.
O capítulo 7 apresenta a estrutura de experimentação a ser adotada para a avaliação de
cenários (rodadas) e para a comparação dos mesmos, por meio de modelos de
Simulação.
5
O capítulo 8 apresenta a produção das rodadas (cenários) e a análise das mesmas,
obtendo-se as soluções de operação do sistema para a solução do problema.
O capítulo 9 apresenta a conclusão final do trabalho.
O capítulo 10 apresenta as referências bibliográficas.
O capítulo 11 apresenta os apêndices
6
2. METODOLOGIA DE PESQUISA
O objetivo desta etapa é descrever o processo de pesquisa utilizado neste trabalho e
mostrar a sistemática que foi construída para o alcance dos objetivos do trabalho em
questão. Esse processo abrange desde a identificação do problema prático, que motivou
o trabalho de pesquisa, até a obtenção das respostas às perguntas de pesquisa, as quais
darão suporte para a resolução do problema prático.
2.1
O Processo de pesquisa
Segundo BOOTH et al (2008), um problema prático motiva uma pergunta de pesquisa,
uma pergunta de pesquisa define um problema de pesquisa, que deve gerar uma resposta
da pesquisa, a fim de que contribua para resolução do problema prático inicial. Todo
esse desencadeamento pode ser resumido segundo a Figura 1.
Figura 1- Relação entre um problema prático e um problema de pesquisa.
Fonte: BOOTH et al (2008)
Lembrando que no trabalho em questão, o problema prático (formulação do problema)
identificado foi: o projeto de levantamento de dados geofísicos e geotécnicos para
dutos submarinos está sujeito a um prazo elevado, além da variabilidade desse prazo
ser muito alta.
7
O problema prático identificado será fracionado num conjunto de pequenos problemas
(problemas de pesquisa), supostamente mais fáceis de serem pesquisados, os quais serão
caracterizados quando se formular as chamadas perguntas-chaves da pesquisa. A partir
dessas perguntas-chaves de pesquisa, serão geradas as palavras e expressões-chaves, as
quais serão usadas para a atividade da pesquisa das fontes bibliográficas.
Assim, tendo por base a leitura dos “abstracts” dos textos encontrados, serão
selecionados os que dialogam com as perguntas-chaves de pesquisa e suas informações
bibliográficas serão registradas no programa “Zotero” (ferramenta específica de
pesquisa), dentro do “Mozilla Firefox” (navegador de internet que trabalha de maneira
integrada com o programa Zotero). Tomando por base a abordagem de ECO (2008), as
fichas bibliográficas são organizadas em pastas temáticas, que refletem as perguntaschaves de pesquisa.
Concluído o levantamento das fontes bibliográficas, será feita uma leitura de inspeção
dos textos, lendo-se primeiramente as referências bibliográficas de cada um desses
textos. Dessa maneira, buscar-se-ão fontes secundárias e até primárias que originaram a
referência em questão. Depois desta fase, serão lidos a introdução, conclusão, sumário,
início e fim de capítulos, segundo método de ADLER et al (1972). As notas iniciais
sobre os textos são registradas no “Zotero”, já que possui uma customização
interessante para esse tipo de trabalho.
Após a leitura inspecional, as referências que evidenciarem condição de responder a
alguma das perguntas-chaves de pesquisa serão submetidas a uma leitura analítica
(ADLER, 1972), a qual possibilitará conhecer novas expressões que realimentem a
pesquisa. Com base nesse tipo de leitura crítica, parte-se para tomar notas do conteúdo
em fichas de leitura, adicionando comentários e observações (ECO, 2008). As fichas de
leitura serão armazenadas nas notas dos registros dos textos no “Zotero” e em tabelas
em arquivo no Word, devido a facilidades na consolidação. Em acréscimo, os textos ou
passagens que se evidenciarem interessantes, podem conter dados de outras fontes
(primárias) cujo conteúdo deverá ser pesquisado para dar credibilidade ao trabalho,
entretanto, as fontes secundárias podem servir para se encontrar novos argumentos ou
problemas (BOOTH et al, 2008). Será tomado um grande cuidado com relação à
utilização de referências muito populares, tidas como fontes terciárias, as quais
8
apresentam visões muito simplificadas e que não devem servir de base para sustentação
de argumentos (BOOTH et al, 2008).
Buscar-se-á construir as respostas às perguntas-chaves de pesquisa a partir de leituras
sintópicas das fichas de leitura, prioritariamente, se forem suficientes, senão dos
próprios textos (ADLER, 1972). Essas leituras irão dar suporte às afirmações que
respondem às perguntas-chaves (as respostas da pesquisa), provendo razões ou
explicações àquelas e evidências de apoio. A relação de causa e efeito entre uma
afirmação e a razão que sustenta essa afirmação deve ser exposta de maneira clara,
assim como as evidências que sustentam uma razão (BOOTH et al, 2008).
Finalmente, todas as relações de conexão citadas nos trechos anteriores e aquelas entre
as seções da dissertação têm por objetivo tornar o trabalho coeso e serão registradas em
fichas de trabalho (ECO, 2008) no programa “Zotero”. Assim, é percorrido todo o
círculo da Figura 1, caracterizando o processo de identificação do problema prático até a
sua resolução.
2.2
Perguntas-chaves da pesquisa
Por que projetos atrasam? Que causas estão associadas a esses atrasos? Como gerenciar
essas causas?
2.3
Palavras-chaves da pesquisa
As palavras-chaves de pesquisa escolhidas para uma primeira busca bibliográfica, com
base nas perguntas-chaves de pesquisa, foram: projeto, risco, prazo, tempo,
gerenciamento, e o equivalente em inglês: project, risk, time, schedule e management.
2.4
Conclusões
Após essa primeira busca e uma posterior leitura analítica, muitos artigos no campo da
Pesquisa Operacional, especialmente de Simulação, se mostraram como textos que
“conversam” com as perguntas-chaves da pesquisa. Dessa forma, um novo grupo de
palavras-chaves foi constituído, além das palavras anteriores, agora contemplando
também as palavras Simulação, e o equivalente em inglês (Simulation), a fim de que
seja feita uma nova busca bibliográfica.
9
Essa nova busca de referências bibliográficas, após a leitura analítica, com esse novo
grupo de palavras-chaves será melhor detalhado no capítulo de Revisão Bibliográfica.
Como o campo da Pesquisa Operacional chamado Simulação se apresentou com um
campo de estudo que muito conversa com as perguntas-chaves de pesquisa, achou-se
por bem uma breve introdução ao assunto de Simulação no capítulo que se segue. Após
essa introdução ao assunto, o capítulo seguinte de Revisão Bibliográfica irá detalhar a
base de dados que sustenta esta dissertação. Assim, as respostas às perguntas-chaves de
pesquisa serão dadas nesse último capítulo.
10
3. SIMULAÇÃO
O objetivo deste capítulo é discutir alguns conceitos fundamentais relativos ao campo
da Simulação. Os conceitos são apresentados segundo visões de vários autores, muitas
das vezes procurando-se apresentar as conceituações mais claras e didáticas. As
conceituações em Simulação não se restringem ao que é apresentado neste capítulo,
entretanto são apresentados os conceitos julgados como fundamentais para o
desenvolvimento e bom entendimento deste trabalho. Escolheram-se os seguintes
conceitos como sendo os mais fundamentais para a compreensão de um trabalho em
Simulação: o conceito de sistema, o conceito de modelo (incluindo determinístico e
estocástico), o conceito de Simulação, soluções analíticas e por Simulação e etapas em
um estudo de Simulação.
3.1. O Conceito de sistema
Segundo BANKS (2010), um sistema é definido como um grupo de objetos que são
postos a interagir, com uma certa regularidade, com certa interdependência, de maneira
a se atingir um propósito em comum.
Para SOARES (1992), um sistema é uma coleção de itens, dentre os quais se pode
encontrar ou definir alguma relação, que é objeto de estudo ou de interesse.
Por outro lado, segundo LAW (2007), um sistema é definido como uma coleção de
entidades; isto é, pessoas, equipamentos, etc.; que interagem entre si, a fim de se
realizar um processo lógico.
3.2. O Conceito de modelo
BANKS (2010) define um modelo como sendo uma representação de um sistema, com
o propósito de se estudar o próprio sistema.
Segundo PIDD (2004), um modelo é uma representação de um sistema de interesse e é
usado para investigar possíveis melhorias em um sistema real, ou para descobrir os
efeitos de diferentes políticas no sistema em questão.
11
Já para LAW (2007), um modelo é uma suposição da realidade, constituída de relações
matemáticas e lógicas, e que é usada para se entender como um sistema correspondente
se comporta.
Para CHWIF (2007), um modelo é uma representação simplificada das diversas
interações entre as partes de um sistema. Assim, o mesmo é uma abstração da realidade,
aproximando-se do verdadeiro comportamento do sistema, mas sempre de maneira mais
simplificada que o sistema real.
Por fim, SOARES (1992) define o conceito de modelo como sendo simplesmente uma
descrição de um sistema.
3.2.1 O Conceito de modelo determinístico e de modelo estocástico
Além das definições anteriores, outros dois conceitos são de grande importância quando
da definição conceitual de modelos: o conceito de modelo determinístico e de modelo
estocástico.
Com relação ao primeiro conceito, os modelos determinísticos são modelos em que não
há incertezas nas variáveis ou parâmetros em questão. Obviamente, esse tipo de modelo
representa uma utopia no mundo real. Contudo, as aleatoriedades em um modelo podem
ser tão pequenas que em alguns casos podem ser desconsideradas. E até vale a pena
desconsiderá-las, já que as soluções desses modelos são muito mais simples em
comparação aos modelos estocásticos. Assim, como nesses modelos assumimos que não
há variabilidades relevantes, para um mesmo input (dados de entrada), têm-se os
mesmos outputs (dados de saída). Como exemplo, podemos citar os modelos de
programação linear e alguns modelos de controle de estoques (OAKSHOTT, 1997).
Com relação ao segundo conceito, os modelos estocásticos são modelos em que há, pelo
menos, uma variável, ou um parâmetro, que possui certa incerteza. Ou seja, os valores
que variável, ou um parâmetro, assume, freqüentemente, são representados por uma
distribuição de probabilidade. Diferentemente dos modelos determinísticos, os modelos
estocásticos não fornecem, necessariamente, os mesmos resultados de saída, quando se
utilizam os mesmos dados de entrada (OAKSHOTT, 1997). Como a solução mais
conveniente para esse tipo de modelo é via Simulação, é comum usar-se um jargão para
12
essa categoria de modelo como modelo de Simulação. Como exemplo dessa categoria
de modelo, podemos citar modelos para estudo de filas complexas.
3.3. O Conceito de Simulação
Segundo GOTTFRIED (1984), “A Simulação é uma atividade por meio da qual se pode
obter inferências à respeito do comportamento de um sistema, por meio de um modelo
correspondente, cujas relações de causas e efeitos são as mesmas que ocorrem no
sistema em estudo”.
3.4. A solução de problemas: modelos analíticos x modelos de Simulação.
De maneira geral, podemos dizer que um sistema pode ser estudado atuando-se
diretamente sobre o mesmo, ou utilizando-se de um modelo. Quando optar-se por se
estudar um sistema por meio de um modelo, pode-se lançar mão de um modelo físico ou
de um modelo matemático, em geral. Um modelo físico seria, por exemplo, uma
maquete de uma aeronave em projeto, que fora construída, a fim de se estudar o
comportamento do ar fluindo em sua fuzelagem em um túnel de vento. Um modelo
matemático seria, por exemplo, nesse mesmo contexto, uma suposta equação que
representasse o comportamento do ar fluindo ao longo dessa fuzelagem.
Optando-se por se estudar um sistema por meio de um modelo matemático, pode-se
resolvê-lo segundo uma solução analítica, conforme considerações e restrições a serem
discutidas, ou por meio de uma solução por Simulação, ver Figura 2. Segundo LAW
(2007), se o modelo matemático que representa o sistema em estudo for suficientemente
simples, deve-se lançar mão de soluções analíticas, prioritariamente. OAKSHOTT
(1997) define os modelos analíticos como sendo modelos que podem ser resolvidos
usando-se técnicas clássicas, desde uma manipulação algébrica simples, até métodos
avançados de cálculo, gerando assim as soluções analíticas. Esses modelos podem ser
classificados ainda em determinísticos ou estocásticos. Nessa mesma linha de
pensamento, CHWIF (2007) lembra que devido às características desse tipo de modelo,
a solução é rápida e exata, quando existe a solução analítica.
13
Sistema
Experimento
com o
Sistema Real
Experimento
com um
Modelo do Sistema
Modelo
Matemático
Modelo Físico
Solução
Analítica
Simulação
Figura 2 – Formas de se estudar um sistema
Fonte: LAW (2007)
Entretanto, segundo LAW (2007), sabe-se que a maioria dos modelos que representam
os sistemas reais são complexos demais para serem resolvidos analiticamente. Além
disso, OAKSHOTT (1997) ressalta que para se resolver problemas complexos do
mundo real, por intermédio de modelos analíticos, normalmente é preciso fazer
hipóteses simplificadoras, especialmente nos modelos analíticos estocásticos, do
contrário, não se gerariam soluções analíticas. Essas simplificações, muitas das vezes,
geram soluções distanciadas da realidade. Nesse caso, esses sistemas reais poderiam ser
melhor estudados via Simulação, usando-se um computador para se analisar e avaliar
um modelo numericamente.
Por fim, segundo GOTTFRIED (1984), praticamente qualquer problema envolvendo
riscos pode ser estudado por meio da Simulação obtendo-se bons resultados. Nesse
mesmo contexto, CHWIF (2007) postula que “quanto mais complexo, dinâmico e
aleatório for um problema, então, maior será a aplicabilidade das ferramentas de
Simulação”.
14
3.5. Etapas de um estudo de Simulação
Tendo-se definido que a Simulação será usada para a análise e estudo de um sistema,
alguns passos devem ser seguidos. Existem referências bibliográficas que apontam boas
sistemáticas para as etapas de um estudo de Simulação (BANKS, 2010; FREITAS
FILHO, 2008; LAW, 2007; CHWIF, 2007; HARREL, 2002 e KHOSHNEVIS, 1994).
Dessa forma, para o trabalho em questão, buscou-se apresentar uma síntese do que seria
o melhor de cada uma dessas referências, tendo-se como base as etapas de um estudo de
Simulação em BANKS (2010). Assim, a Figura 3 apresenta as 12 etapas de um estudo
de Simulação. A descrição detalhada de cada etapa encontra-se no apêndice A.1
15
Formulação do
Problema
O Estabelecimento
de Objetivos e
Planejamento
Geral
Conceitualização do
Modelo
Coleta de Dados
Tradução do Modelo
Não
Verificado?
Sim
Não
Validado?
Não
Sim
Projeto de
Experimentos
Produção das Rodadas
e Análise dos
Resultados
Sim
Mais
Rodadas?
Sim
Não
Documentação e
Relatório
Implementação
Figura 3 - Etapas de um estudo de Simulação
Fonte: BANKS (2010)
16
4. REVISÃO BIBLIOGRÁFICA
4.1
Método utilizado:
Neste capítulo, o objetivo é mostrar um panorama sobre a Simulação Aplicado ao
Gerenciamento de Projetos no contexto dos últimos 20 anos. São revistos marcos
históricos sobre o tema, desde a proposição da aplicação da Simulação de Monte Carlo
em gerenciamento de projetos, no início da década de 1960, quando se começou a
perceber limitações nas técnicas CPM/PERT. Além disso, esse capítulo procura rever,
de maneira breve, as principais metodologias de Simulação, bem como algumas de suas
propriedades, que motivaram a aplicação da Simulação em gerenciamento de projetos.
Além disso, a pesquisa procura mapear o tema, por meio de estratificações, de maneira
a proporcionar uma visão holística sobre o assunto. Como resultado final, será possível
observar algumas importantes relações e tendências entre as estratificações; como a
elevada utilização da Simulação de Eventos Discretos e da Simulação de Monte Carlo
para a gestão de prazos e de custos, em projetos de elevados riscos, como em projetos
de empreendimentos civis, projetos de desenvolvimento de softwares, de Engenharia de
design e projetos da indústria de óleo & gás.
A revisão bibliográfica foi baseada nas publicações dos últimos 20 anos (de 1990 à
2010), utilizando-se de expressões-chaves, como: project management simulation;
project risk; project schedule simulation; project cost simulation, e o equivalente em
português. Além disso, foram levantadas algumas referências mais antigas, anteriores a
1990, que poderiam ser consideradas como marcos históricos sobre o assunto em
questão.
Três bases de buscas foram utilizadas, como o http://scholar.google.com.br/,
http://www.scopus.com/home.url,
www.sciencedirect.com,
além
do
site
WWW.amazon.com, gerando um levantamento de 80 referências bibliográficas
utilizadas neste trabalho como: livros, artigos de periódicos, artigos de conferências,
teses, etc. Além disso, procurou-se consultar diretamente os jornais, revistas,
conferências e autores disponíveis na internet, que foram julgados com grande potencial
de cobertura do assunto referente ao tema.
17
No que se refere à estrutura deste capítulo, a mesma está dividido em duas partes: a
primeira, uma revisão dos marcos históricos referentes a esse tema, bem como seus
autores, suas abordagens e motivações; a segunda, um grupo de estratificações relativas
às publicações pesquisadas sobre o tema. Com relação à segunda parte, as
estratificações foram realizadas segundo os critérios1: metodologia de Simulação, foco
de estudo, aplicações práticas, congressos, jornais e revistas, métodos auxiliares,
softwares e autores.
No que tange às estratificações, essa tarefa foi realizada com o uso do programa Zootero
associado ao navegador Mozila Firefox. Com essas duas ferramentas associadas, foi
possível obter facilmente inúmeras estratificações com o Zootero através do
tagueamento de artigos com palavras chaves, conforme o grupo de estratificações já
mencionado.
4.2
Marcos históricos:
4.2.1 Monte Carlo:
Segundo HERBERT (1979),Van Slyke2 propôs pioneiramente a aplicação da Simulação
de Monte Carlo em gerenciamento de projetos em 1963. O mesmo teve como
motivação para a nova proposição a percepção de algumas limitações nas ferramentas
CPM (Critical Path Method) e PERT (Project Evaluation and Review Technique), até
então, as ferramentas que prevaleciam em gerenciamento de prazo de projetos.
Essas duas técnicas consideram a execução de um projeto como uma rede de interrelacionamentos de atividades (network), com tempos exatos para cada atividade.
Apesar da diferença na obtenção desses tempos entre as duas técnicas, o tempo total de
execução do projeto seria obtido com a soma dos tempos das atividades do caminho
crítico (critical path).
1
As classificações dentro de cada critério de estratificação (estratificação das estratificações) estão
descritas no ítem 4.3, no eixo horizontal de cada gráfico de estratificação.
2
VAN SLYKE, R.M., 1963, “Monte Carlo Methods and PERT Problems”, Operations Research, v.11,
nº5.
18
A partir da proposição de Van Slyke, começa-se a considerar fenômenos aleatórios que
ocorreriam na execução de um projeto, como a aleatoriedade no tempo de execução de
uma atividade. Na metodologia Monte Carlo, o tempo de execução de uma atividade
comporta-se segundo uma função de distribuição de probabilidade, característica da
atividade. Assim, o tempo total de execução do projeto seria obtido da seguinte
maneira: geram-se valores pseudo-aleatórios dos tempos de execução das atividades, de
acordo com a função de densidade de probabilidade característica de cada atividade;
acha-se o caminho crítico; e somam-se os tempos das atividades que apareceram no
caminho crítico na replicação da Simulação. Ou seja, conforme palavras de HERBERT
(1979), o método de Van Slyke para aplicação da Simulação de Monte Carlo em
gerenciamento de projetos pode ser definido como:
“(a) utilize the Monte Carlo Technique to randomly generate a sample duration for
each activity from its estimated duration distribution which, need not to be BETA; (b)
perform a critical path analysis on the network model using these sample durations,
and record the results; (c) repeat this procedure until acceptable estimates for the time
related variables of interest are obtained.”
Posteriormente, o uso da Simulação de Monte Carlo em gerenciamento de projetos
também adquiriu uma preocupação voltada para a gestão de custos em projetos. Nesse
tipo de abordagem, os custos associados às atividades de um projeto são caracterizados
segundo uma função de densidade de probabilidade, assim como é feito para o prazo de
execução de uma atividade.
4.2.2 GERT – Graphic Evaluation and Review Technique:
Em 1966, PRITSKER3,4 introduz a técnica GERT (Graphic Evaluation and Review
Technique) que é um método de modelagem de projetos por network e de análise do
modelo por Simulação. Com a introdução da técnica GERT, foi possível modelar outros
tipos de incertezas, além do que a metodologia de Monte Carlo já incorporava.
3
PRITSKER, A., ALAN, B., 1966, “GERT: Graphical Evaluation and Review Technique – part I.
Fundamental”, Journal of Industrial Engineering, v.17, n.5.
4
PRITSKER, A., GARY, E., 1966, “GERT: Graphical Evaluation and Review Technique – part II.
Probabilistic and Industrial Engineering applications”, Journal of Industrial Engineering, v.17, nº6.
19
Dentre as novas incertezas ou aleatoriedades que foram introduzidas, destacam-se a
incerteza associada a estrutura dos networks, atribuindo-se um comportamento
estocástico ao mesmo (stochastic network) e a capacidade de se modelar re-trabalhos
(HERBERT, 1979). Além disso, no método GERT, era possível medir novos tipos de
indicadores, como a probabilidade de cancelamento de uma atividade já iniciada e a
probabilidade de que uma atividade iria, de fato, ser iniciada. Para a época, isso era uma
novidade, algo que, até então, nenhuma ferramenta proporcionava (HERBERT,1979).
Entretanto, as limitações computacionais da época em que surgiu a GERT talvez tenha
sido o grande empecilho para a difusão dessa metodologia entre as organizações. Além
disso, MEREDITH et al (2000) lembra que a metodologia GERT lançava mão de
técnicas trabalhosas de solução nas redes GERTs, como equações de topologia, funções
equivalentes e funções geradoras de momentos. Portanto, é provável que a necessidade
de aquisição de computadores de grande capacidade de processamento foi de uma
dificuldade tal, que impediu a difusão dessa metodologia. Afinal de contas, não era
qualquer organização que possuía recursos para adquirir computadores com grande
capacidade de processamento no final da década de 1960.
4.2.3 VERT – Venture Evaluation and Review Technique:
A metodologia VERT – Venture Evaluation and Review Technique foi desenvolvida
por MOELLER5 para avaliar riscos em novos empreendimentos (CATES, 2004). Essa
metodologia segue a filosofia de modelagem de um projeto segundo um network. A
VERT se apresentou como uma evolução da GERT, no sentido de que essa última era
orientada a custo e prazo, somente, (MOELLER et al, 1981). Na metodologia VERT,
existem três variáveis de grande importância que são atribuídas às atividades que
compõem um projeto: custo, prazo e desempenho.
Segundo MOELLER et al (1981), “a metodologia VERT é definida como uma técnica
de Simulação baseada em network e orientada matematicamente por computador”. A
5
MOELLER, G.L., 1972, “VERT”, Technical Papers: Twenty-Third Institute Conference and
Convention, American Institute of Industrial Engineers.
20
mesma permitia o uso de até treze distribuições de probabilidade para as variáveis a
serem modeladas, destacando-se, as distribuições triangular, normal e lognormal
(CATES, 2004). A análise da VERT é feita via Simulação, gerando como resultado a
distribuição de probabilidade para o tempo de execução de um projeto, a distribuição de
probabilidade para o custo total de um projeto e informações sobre desempenho dos
cenários simulados.
CATES (2004) destaca a questão do grande tempo consumido para se rodar o modelo
de Simulação. Entretanto, lembra que apesar desse inconveniente, as informações
geradas nos vários cenários simulados poderiam justificar a disponibilização de tanto
tempo reservado para se rodar o modelo. Por exemplo, MOELLER et al (1981) lembra
que a metodologia VERT era muito recomendável para simulação de projetos com
poucas informações disponíveis sobre as alternativas concorrentes. Assim, justificava-se
o emprego de tempo considerável na geração de cenários por simulação.
Apesar dessa metodologia ter surgido como uma ferramenta poderosa para o
gerenciamento e estudo de cenários em projetos, essa técnica não despertou o interesse
de muitos usuários organizacionais. Segundo CATES (2004), essa metodologia foi
menos usada do que até mesmo a CPM, PERT e GERT. Da mesma maneira que a
metodologia GERT, a VERT exigia uma enorme capacidade computacional, para uma
época em que poucas organizações tinham condições de aquisição de computadores
com grande capacidade de processamento.
4.2.4 SD – Sistemas Dinâmicos:
A primeira menção de aplicação de Sistemas Dinâmicos em gerenciamento de projetos
apareceu na década de 1960, mas somente a partir da década de 1980 começou-se a
reportar esse tipo de aplicação (RODRIGUES, 1996). Sua concepção é por intermédio
de uma rede de causas e efeitos, identificando-se o que ocorre com uma variável,
quando uma outra variável inter-relacionada se altera. A visão holística do sistema é que
melhor caracteriza esse método. Recentemente, com o suporte cada vez mais presente
de softwares, essa metodologia vem ganhando espaço.
Outro ponto importante a ser observado é que essa metodologia tem um foco muito
presente em aspectos relacionados aos fatores humanos como motivação, entrosamento
21
com a equipe, pressão no ambiente de trabalho, etc. Todos esses muito relacionados ao
dia-a-dia de um projeto. Seguindo essa mesma linha de percepção sobre as
características dos Sistemas Dinâmicos, LEE et al (2005) propõe o uso de Sistemas
Dinâmicos para a modelagem do gerenciamento de erros e de mudanças em projetos de
design e de construção, o que muito tem a ver com comportamento e fatores humanos.
Além disso, um aspecto crítico no dia-a-dia de um projeto é o fluxo caótico de
informações: as informações às vezes se perdem, alguém se esquece de transmitir, são
transmitidas tardiamente, etc. Segundo PIDD (2004), a metodologia Sistemas
Dinâmicos pode ser utilizada para a modelagem de fluxo de informações, haja vista que
nessa metodologia é possível modelar peculiaridades características desse tipo de fluxo,
conforme citado anteriormente.
4.2.5 SED – Simulação de Eventos Discretos:
O uso de Simulação de Eventos Discretos (SED) em gerenciamento de projetos também
não é uma iniciativa nova. A utilização dessa metodologia em gerenciamento de
projetos é conveniente, na medida em que a evolução de um projeto pode ser entendida
como incrementos discretos de avanço do projeto no tempo. GOTTFRIED (1984)
propôs o uso da SED para se resolver algumas limitações no método PERT (Project
Evaluation and Review Technique). O mesmo percebeu que o uso de valores médios
para a execução das atividades que compõem um projeto, como é feito na técnica
PERT, é um inconveniente, na medida em que não indicaria uma possibilidade de que
vários caminhos críticos poderiam ocorrer. Outra limitação percebida na PERT foi que
ocorrendo um caminho crítico, essa técnica não conseguiria prever que o tempo total
desse caminho crítico poderia sofrer variações, o que seria mais aderente com a
realidade.
Além disso, GOTTFRIED (1984) já percebia a conveniência de se obter uma curva de
distribuição de probabilidade acumulada do tempo de execução de um projeto, ao longo
do tempo. Com esse instrumento, seria possível verificar, ou não, a viabilidade de
execução de um projeto em um prazo específico. Por fim, GOTTFRIED (1984)
percebeu que todas essas limitações identificadas na PERT poderiam ser resolvidas via
Simulação de Eventos Discretos.
22
Mais recentemente, OTTJES et al (2000) propõe o uso da metodologia de Simulação de
Eventos Discretos (SED) para a modelagem da execução de um projeto, a qual poderia
representar os mais variados tipos de aleatoriedades, que são característicos na execução
de um projeto. Dentre as aleatoriedades, destacam-se: variação no caminho crítico do
projeto ao longo do tempo, bem como a variação na probabilidade de que uma atividade
pertença ao caminho crítico ao longo do tempo, possibilidade de se modelar re-trabalhos
e eventos probabilísticos (stochastic network). É claro que permanece a possibilidade
de se atribuir às atividades inúmeras funções de densidade de probabilidade para o
prazo e custo das mesmas, conforme as metodologias já citadas.
Uma questão de grande relevância nesse tipo de Simulação, quando o objetivo é a
aplicação em gerenciamento de projetos, é a capacidade de se modelar recursos
compartilhados entre atividades, janelas de folga dos recursos, atividades de um projeto
que param porque seus recursos estão ocupados, etc. (WILLIANS, 1995). Todas essas
características são desejáveis em uma ferramenta de gerenciamento de projetos, visto
que isso acontece, de fato, no dia-a-dia de um projeto.
Reforçando o ponto de vista anterior, CATES (2004) cita várias razões para que a SED
seja aplicada ao gerenciamento de projetos. Entretanto, o autor lembra que apesar das
principais literaturas da atualidade em Simulação não abordar a SED em gerenciamento
de projetos, o autor expõe inúmeras conveniências de tal abordagem, como os vários
tipos de aleatoriedades citado anteriormente em OTTJES et al (2000). O autor destaca
inclusive não só a recomendação técnica do uso da SED para simulação da execução de
um projeto, como também lembra a facilidade de aquisição e operação de softwares
com capacidade de modelagem em SED nos dias de hoje, como o ARENA.
4.2.6 Simulação Híbrida:
A Simulação Híbrida é uma metodologia de Simulação que de uma forma, ou de outra,
combina duas ou mais modalidades de Simulação para o estudo de um sistema.
ABOURIZK et al (1997), por exemplo, utilizou-se da Simulação Híbrida de Eventos
Discretos – Contínuos para modelar o processo de execução de uma obra de construção
de uma ponte. A Simulação de Eventos Discretos foi usada para representar o processo
de avanço físico do projeto. Por outro lado, a produtividade dos trabalhadores poderia
23
variar de maneira contínua, já que é função das condições climáticas do local, as quais
variavam diariamente, segundo dados históricos.
Assim, o estudo de caso em questão utilizou-se da propriedade desse tipo de Simulação,
que é a capacidade de lidar com variáveis discretas e contínuas, a fim de representar, de
maneira aderente, a execução do projeto em questão.
4.3
Estratificações e análise dos resultados:
Feita uma breve abordagem histórica sobre o tema, seguem as estratificações em termos
de metodologias de Simulação, segundo as publicações levantadas. A Simulação de
Eventos Discretos (SED) é a metodologia que teve a maior freqüência em aplicações de
Simulação em gerenciamento de projetos, seguidas da Simulação de Monte Carlo e de
Sistemas Dinâmicos (SD). A Simulação Visual, a Híbrida, VERT e GERT seguem em
seqüência na pesquisa, ver Gráfico 1.
Gráfico 1 – Predominância (%) das metodologias de Simulação mais freqüentes
em publicações de gerenciamento de projetos.
Levantadas as metodologias de Simulação com maior incidência em gerenciamento de
projetos, uma questão relevante que surge é saber quais são os focos de estudo que
motivaram o uso de Simulação em gerenciamento de projetos. Na pesquisa em questão,
foi verificado que o risco de prazo, risco de custo e revisão da literatura de Simulação
aplicada a gerenciamento de projetos têm sido os principais focos. Os demais seguem
conforme Gráfico 2.
24
Gráfico 2 – Predominância (%) dos focos de aplicação de Simulação em
publicações de gerenciamento de projetos.
Neste ponto da pesquisa, analisando as aplicações práticas, o uso de Simulação em
gerenciamento
de
projetos
ocorre
com
maior
freqüência
em
projetos
de
empreendimentos (pontes, estradas, obras civis etc.), seguido de projetos em
desenvolvimento de softwares, de Engenharia de design, projetos no ramo de óleo &
gás, projetos do ramo de mineração e demais, ver Gráfico 3.
Gráfico 3 – Predominância (%) das aplicações práticas de Simulação em
publicações de gerenciamento de projetos.
É interessante observar que essas categorias de projetos possuem grande preocupação
com risco de prazo e de custo (WILLIANS, 1995). Simultaneamente, esses focos foram
justamente os mais incidentes na pesquisa. Atrasos nesses projetos costumam implicar
25
grandes dispêndios financeiros, como renovação de aluguel de máquinas, como
renovação para prestação de serviços especializados, etc.
Uma análise conseqüente ao que já fora até aqui discutido é saber quais as metodologias
de Simulação são as mais freqüentes nos dois focos mais incidentes, que foram risco de
prazo e risco de custo. Seguem os gráficos abaixo referentes às metodologias mais
incidentes em função do risco de custo e de prazo, Gráfico 4 e Gráfico 5,
respectivamente.
Gráfico 4 – Predominância (%) das metodologias de Simulação presentes em
publicações de gerenciamento de projetos, com foco em risco de custo.
No que tange a jornais e revistas, um resultado interessante foi a maior freqüência de
aplicação de Simulação em gerenciamento de projetos no International Journal of
Project Management, seguido do European Journal of Operational Research e do
Computers & Industrial Engineering. Esperava-se que um jornal de Pesquisa
Operacional, de Matemática Aplicada ou de Métodos Quantitativos tivesse a maior
freqüência de incidência, diferentemente do resultado da pesquisa, ver Gráfico 6.
26
Gráfico 5 – Predominância (%) das metodologias de Simulação presentes em
publicações de gerenciamento de projetos, com foco em risco de prazo.
Em seqüência, seguem os jornais / revistas: Journal of Construction Engineering and
Management, Applied Mathematics and Computation, Automation Construction,
Concurrent Engineering: Research and Applications, Information and Software
Tecnology, International Journal of production Economics, Omega e Operations
Research.
Gráfico 6 – Predominância (%) de jornais e revistas sobre publicações de
Simulação aplicada ao gerenciamento de projetos.
27
Com relação a Congressos, destaca a grande incidência de artigos de Simulação
aplicada
a
gerenciamento
de
projetos
no
Winter
Simulation
Conference
comparativamente a outros congressos como ao ICSC Symposia on Intelligent System,
SPLOM e ENEGEP, ver Gráfico 7.
Gráfico 7 – Predominância (%) dos congressos sobre publicações de Simulação
aplicada ao gerenciamento de projetos.
Sob o ponto de vista de métodos auxiliares – chamaremos de métodos auxiliares alguns
métodos que não são de Simulação em si, mais possuem um papel complementar em
modelos de Simulação, principalmente em otimização baseada em Simulação – a ordem
decrescente de incidências desses métodos em publicações de Simulação aplicada a
gerenciamento de projetos foi: Algorítimos Genéticos, Lógica Fuzzy, Métodos
Heurísticos e Redes Neurais, ver Gráfico 8.
Gráfico 8 – Predominância (%) dos métodos auxiliares em publicações de
Simulação aplicada ao gerenciamento de projetos.
28
Com relação a ferramentas, os softwares mais freqüentes em Simulação aplicada a
gerenciamento de projetos seguem segundo Gráfico 9. O software Arena foi o de maior
incidência nas publicações pesquisadas, seguido do @ Risk. O primeiro é focado em
Simulação de Eventos Discretos, Contínua ou Híbrida (Discreta-Contínua); enquanto
que o segundo é voltado para Simulação de Monte Carlo (LAW, 2007).
Em seguida, aparecem os softwares Stochastic Project Scheduling Simulation (SPSS),
ProcessModel e S3, seguidos de outros menos freqüentes. Os três possuem como
destaque a capacidade de modelagem e comparação entre diversas metodologias para
gerenciamento de um projeto, como CPM, PERT e Simulação de Eventos Discretos
(SED). No caso do S3, tido como uma evolução do SPSS, esse possui todas as
funcionalidades do SPSS, além determinar criteriosamente o número de replicações
necessário na Simulação (LEE et al, 2006).
Gráfico 9 – Predominância (%) dos softwares utilizados em estudos de caso de
Simulação aplicada ao gerenciamento de projetos.
Por fim, segue abaixo a relação dos principais autores levantados em Simulação
aplicada ao gerenciamento de projetos. O critério adotado foi o número de trabalhos
publicados sobre o tema, ou originalidade de trabalhos divulgados. A Tabela 1
proporciona um panorama da pesquisa sobre um determinado autor dentro do tema
Simulação Aplicada ao Gerenciamento de Projetos, ver coluna palavras-chaves, na
tabela em questão.
29
Tabela 1 – Principais autores em Simulação aplicada ao gerenciamento de
projetos.
Principais autores no tema - por inovação no assunto ou freqüência de publicações
Autor
E-mail
Universidade /
Instituição
Palavras chaves no
tema
Dong-Eun Lee
[email protected]
Southern Illinous
University
Empreendimentos,
SPSS, S3.
Mohsen Jahangirian
[email protected]
Brunel University
Grant R. Cates
[email protected]
University of Central
Florida
Michael E.Kuhl
[email protected]
Rochester Institute of
Technology
Radhamés Tolentino
[email protected]
Rochest Institute of
Technology
Leroy F. Simmons
e-mail não encontrado
Loyola College of
Maryland
Risco de prazo e
ProcessModel.
Jaap A. Ottijes
[email protected]
Delf University of
Technology
Risco de prazo e de
custo.
Hans P.M. Veeke
[email protected]
Delf University of
Technology
Risco de prazo e de
custo
Terry Williams
[email protected]
University of
Southampton
Lionel Galway
e-mail não encontrado
Kenzo Kurihara
[email protected]
Kanagawa University
Carlos Magno C.
[email protected]
PETROBRAS
Brenda McCabe
[email protected]
University of Toronto
Simaan M. AbouRitz
e-mail não encontrado
University of Alberta
Karlos A. Artto
[email protected]
Helsinki University of
Technology
Juha-Matti Lehtonem
[email protected]
Helsinki University of
Technology
Revisão da
Literatura.
Simulação de
Eventos Discretos,
risco de prazo,
projeto da estação
espacial
internacional,
ARENA
Crashing, risco de
prazo e de custo e
otimização.
Crashing, risco de
prazo e de custo,
otimização
Revisão da
literatura, risco de
prazo e de custo.
Revisão da
literatura, risco de
prazo e de custo.
Risco de prazo e de
custo, Monte Carlo,
GERT.
Simulação de
Eventos Discretos,
risco de prazo e de
custo, projetos de
óleo & gás,
ARENA.
Empreendimentos,
Monte Carlo, risco
de prazo e de custo.
Empreendimantos,
Simulação Híbrida,
risco de prazo,
Redes Neurais.
Simulação de
Eventos Discretos,
projeto de
desenvolvimento de
software, risco de
prazo,
funcionalidades.
Simulação de
Eventos Discretos,
projeto de
desenvolvimento de
software, risco de
prazo,
funcionalidades.
30
Juha Saranen
Undram Chinbat
[email protected]
[email protected]
Helsinki University of
Technology
Simulação de
Eventos Discretos,
projeto de
desenvolvimento de
software, risco de
prazo,
funcionalidades.
Nagota University
Simulação de
Eventos Discretos,
projeto de
mineração, risco de
custo, ARENA.
Simulação de
Eventos Discretos,
projeto de
desenvolvimento de
software, Simulação
Híbrida, risco de
prazo, qualidade.
Andreas C. Georgiou
[email protected]
University of Macedônia
Young Hoon Kwak
[email protected]
George Washinton
University
Sang Hyun Lee
[email protected]
Massachusetts Institute
of Technology
Feniosky Peña-Mora
[email protected]
University of Illinous
4.4
Revisão da
literatura, Monte
Carlo, risco de prazo
e de custo.
Sistemas
Dinâmicos,
empreendiemntos,
gestão de erro e de
mudança.
Sistemas
Dinâmicos,
empreendiemntos,
gestão de erro e de
mudança.
Conclusões:
Após o desenvolvimento da pesquisa, foi possível perceber como a metodologia de
Simulação de Eventos Discretos e a Simulação de Monte Carlo vem sendo
freqüentemente empregada em publicações de Simulação aplicada ao gerenciamento de
projetos. Pode-se inferir que tais aplicações visam, principalmente, ao gerenciamento de
riscos de prazo e de custos para projetos considerados de elevados riscos.
Contrariamente a essa tendência, as principais referências na literatura de Simulação e
de Análise de Riscos restringem-se a mencionar, apenas, o uso da Simulação de Monte
Carlo nesse tipo de estudo (CATES, 2004).
Com relação às aplicações práticas, os projetos de empreendimentos civis, projetos de
desenvolvimento de softwares, de Engenharia de design e projetos da indústria de óleo
& gás são os tipos de projetos que têm sido alvo de inúmeras publicações, para se
gerenciar especialmente riscos de prazo e de custos. Não é por acaso esse fato, haja
31
vista que esses tipos de projetos incorrem em elevados custos quando dá má gerência
dos seus riscos, WILLIANS (1995).
No que tange a jornais e revistas, a conclusão relevante foi a maior predominância de
publicações de Simulação aplicada ao gerenciamento de projetos no International
Journal of Project Management, seguido do European Journal of Operational
Research. Entretanto, esperava-se que a maior freqüência de publicações ocorresse em
um jornal de Pesquisa Operacional, de Matemática Aplicada ou de Métodos
Quantitativos. Esse fato pode sugerir que a Simulação em gerenciamento de projetos é,
de fato, uma necessidade, haja vista que é a comunidade em gerenciamento de projetos
que vem lançando mão dessa técnica para solução de problemas em sua área de
pesquisa, e não uma iniciativa de entusiastas pela metodologia de Simulação.
Em termos de congressos, destaca-se a elevada predominância de publicações de
Simulação aplicada ao gerenciamento de projetos no Winter Simulation Conference,
particularmente no diretório Construction Engineering and Project Management. Com
relação aos outros congressos, pode-se dizer que os mesmos assumem um papel
secundário com relação a esse tipo de publicação, pelo menos em termos de quantidade
de publicações sobre o tema.
Outro resultado interessante foi uma maior incidência de uso do software ARENA, em
relação ao @ Risk, nas publicações de Simulação aplicada ao gerenciamento de
projetos. Esse resultado era um tanto inesperado, pois o @Risk tem a capacidade de uso
conjunto com softwares tradicionais de gerenciamento de projetos, como o MS Project.
Contudo, a disponibilidade de inúmeras funcionalidades do ARENA pode explicar a
elevada freqüência de uso dessa ferramenta, como a capacidade de se modelar prazos e
custos de atividades por funções de densidade de probabilidade, capacidade de se
modelar re-trabalhos, eventos probabilísticos, processos de decisões, etc. (CATES,
2004). Ainda em relação aos softwares, destaca-se o aparecimento de softwares de
Simulação voltados especificamente ao gerenciamento de projetos, como o Stochastic
Project Scheduling Simulation – SPSS, S3.
Um assunto incipiente, mas que pode ser o futuro quando se pensa no tema da
Simulação aplicada ao gerenciamento de projetos é o uso da realidade virtual, ou
Simulação Virtual (Virtual Simulation). Essa metodologia de Simulação vem sendo
32
testada em projetos de empreendimentos civis e em projetos na indústria de óleo & gás
para simular a constructibilidade6 em obras e em plantas industriais. Esse assunto é de
extrema relevância, quando se está na fase de planejamento das obras, pois se pode
antecipar problemas futuros relativos a execução de um empreendimento.
Por fim, após essa revisão bibliográfica, com a leitura sintópica7 das bibliografias
(ADLER, 1972), é possível respondermos às perguntas-chaves de pesquisa:
Por que projetos atrasam? Dentre inúmeras razões, uma é a presença de diversas
aleatoriedades envolvidas no dia-a-dia de um projeto. Dessa forma, a presença das
mesmas pode fazer com que o prazo previsto para a execução do projeto seja muito
diferente do prazo real de execução. Dentre essas diversas aleatoriedades, podemos
citar: incertezas envolvidas no tempo de execução de uma determinada atividade;
incertezas envolvidas na disponibilidade de recursos no tempo certo e na hora certa,
eventos probabilísticos, processos de decisões, etc.
Que causas estão associadas a esses atrasos? Dentre inúmeras causas possíveis, uma é
a não consideração dessas aleatoriedades nas ferramentas que são utilizadas para se
prever o prazo de um projeto. Isso pode acontecer por mera limitação da ferramenta em
modelar essas aleatoriedades. Com isso, pode-se comprometer a precisão da previsão
desse prazo.
Como gerenciar essas causas? Por meio de modelos de Simulação para se representar o
sistema real, já que é uma excelente ferramenta para modelar e lidar com aleatoriedades.
Aliás, essa é a razão pela qual as ferramentas em gerenciamento de projetos vêm
evoluindo de simples ferramentas analíticas de lógica PERT/CPM até modelos de
Simulação. Esses últimos com inúmeras funcionalidades capazes de incorporar diversos
tipos de aleatoriedades.
6
Constructibilidade: É o estudo dos aspectos construtivos, logísticos e de acesso físico referentes ao
ambiente caótico de uma obra.
7
Em resumo, essa modalidade de leitura procura verificar como é o posicionamento de diversas
referências bibliográficas e autores, num campo de conhecimento, em relação a um tema específico.
33
Dessa forma, está justificado o uso de Simulação para o estudo de caso em questão.
Particularmente, será usada a Simulação de Eventos Discretos para a análise de cenários
e de risco de prazo do projeto em questão. Isso, em função de ser a modalidade de
Simulação com o maior número de considerações e funcionalidades disponíveis e
aplicáveis ao gerenciamento de prazo de um projeto. O software escolhido é o ARENA
12.0.
34
5. O PROJETO DE LEVANTAMENTO DE DADOS GEOFÍSICOS E
GEOTÉCNICOS PARA LANÇAMENTO DE DUTOS SUBMARINOS
O projeto a ser simulado pode ser resumido como sendo um projeto de levantamento de
dados geofísicos e geotécnicos do trecho onde se pretende implementar o
empreendimento de dutos submarinos. A importância desse projeto refere-se ao fato de
que o mesmo irá subsidiar o projeto de Engenharia básica de dutos submarinos. Após
esse último, inicia-se a implementação do duto submarino, propriamente dito, no leito
marinho.
O projeto em questão é dividido em dois trechos: o levantamento de dados em lâmina
d`água inferior a 200 m, e o levantamento do trecho de lâmina d`água acima de 200m.
Para efeito deste trabalho, chamaremos o primeiro trecho de águas rasas e o segundo de
águas profundas. Cada trecho de levantamento é executado por uma empresa subcontratada diferente, as quais designaremos como empresas A e B, respectivamente. No
caso da análise de amostras do solo marinho em laboratório, existe apenas um único
laboratório que analisa e emite o relatório de Geotecnia, tanto para a lâmina d`água
menor que 200 m, quanto para a maior que 200m. Chamaremos esse laboratório de subcontratada C.
O projeto inicia-se com uma proposição de rota para o duto no leito submarino, tanto
para o trecho de águas rasas quanto para o de profundas. Dependendo das condições do
leito submarino, o projeto de levantamento de dados geofísicos e geotécnicos precisa
ajustar uma rota em que se ofereçam condições de adequadas de Engenharia (Geofísica
e Geotecnia) para subsidiar o projeto básico de dutos submarinos. Essas condições
adequadas de Engenharia precisam ser atendidas tanto para o trecho de lâmina d`água
menor que 200 m, quanto para o trecho de lâmina d`água acima de 200m.
Segundo PALMER (2008), uma das primeiras atividades de um projeto de
implementação de um duto submarino é definir uma rota para o mesmo. Uma escolha
inicial mal feita, ou seja, pouco criteriosa, pode implicar dispêndios financeiros e
atrasos incontornáveis. Mesmo em áreas já desenvolvidas com esse tipo de atividade,
vários fatores são determinantes na escolha de uma rota de dutos. Dentre os mesmos,
podemos destacar: o político, o de meio-ambiente, instalações petrolíferas préexistentes, malhas existentes de dutos, presença de região pesqueira, presença de área
35
mineradora, etc. Em termos de Engenharia, uma escolha racional de uma rota de um
duto submarino não pode ser feita sem o conhecimento da Geofisica marinha e da
Geotecnia (PALMER, 2008).
A Figura 4 mostra a proposição de rota inicial, assim como o levantamento (Geofísico
ou Geotécnico) sendo realizado, ver de cima para baixo, da esquerda para a direita.
Observar que os levantamentos são feitos longitudinalmente em relação à rota proposta
para a implementação dos dutos. O elemento em azul representa a embarcação se
deslocando para fazer os levantamentos.
Figura 4 – Proposição esquemática de rota para o levantamento de dados
A Figura 5 mostra a proposição de uma rota nova, em função de inadequações de
Engenharia na rota originalmente proposta.
Figura 5 – Desvio de rota
36
O levantamento de dados geofísicos é composto por três tipos de estudos: Batimetria,
Side Scan Sonar e Sub Bottom Profile, independentemente do tipo de lâmina d`água.
No caso do levantamento em lâmina d`água menor que 200 m, esses três estudos são
feitos por equipamentos dispostos em um único navio equipado especialmente para essa
finalidade. No caso do levantamento de dados geofísicos em lâmina d`água maior que
200 m, os três tipos de estudos são realizados por um equipamento chamado AUV
(espécie de torpedo). A etapa de Geofísica é concluída quando é emitido o relatório de
Geofísica consolidado, etapa Emitir relatório de Geofísica, ver Figura 6.
Terminada a etapa de Geofísica, as informações emitidas no relatório de Geofísica
“alimentam” a Geotecnia com um mapa de sonar, a fim de que esse último possa
subsidiar a escolha de alocação de pontos para a coleta de amostras do solo marinho, de
maneira eficiente. Essa coleta de amostras é feita para os dois trechos de lâmina d`água.
A etapa de Geotecnia é concluída quando da emissão dos relatórios internos de
Geotecnia, um para o trecho de lâmina d`água inferior a 200m e o outro para o trecho de
lâmina d`água superior a 200m, etapas Emitir relatório interno de Geotecnia para o
trecho de águas rasas e outro para profundas, ver Figura 6.
O projeto se encerra quando da ocorrência do marco de projeto chamado Consolidar
informações dos relatórios para projeto de dutos submarinos, ver Figura 6. Esse marco
consiste na disponibilização conjunta dos relatórios de Geofísica (consolidado para
águas rasas e profundas) e os relatórios de Geotecnia para águas rasas e profundas
respectivamente.
37
6. MODELAGEM
A presente etapa é composta pela criação do modelo conceitual do sistema; a coleta de
dados com e sem registro histórico; verificação do modelo e validação do modelo. Cada
etapa a ser detalhada no seu respectivo item.
6.1
Criação do modelo conceitual
O modelo conceitual adotado está representado na Figura 6. A mesma representa o
processo de execução do projeto, bem como os “atores” envolvidos na execução do
mesmo (empresas sub-contratadas A, B e C; assim como a empresa promovedora do
projeto: Oil & Gas Enterprise). Por meio de uma legenda colorida, é possível localizar
onde cada ator participa na execução desse projeto, com o seu respectivo pessoal,
maquinário e expertise. Observar que o lado esquerdo do fluxograma do modelo
conceitual é idêntico ao lado direito. A única diferença é que o lado esquerdo representa
o trecho de águas rasas e o lado direito o trecho de águas profundas.
As atividades são representadas por retângulos e os processos de decisões por
losângulos. Os possíveis re-trabalhos são representados por fluxos que retornam a
etapas anteriores, assim como o avanço físico do projeto é representado pelos fluxos de
atividades, de cima para baixo.
38
Processar
dados de
águas rasas
Levantar
dados
geofísicos
em águas
profundas
Levantar
dados
geofísicos em
águas rasas
Não
Processar
dados de
águas
profundas
Não
Dados ok?
Dados ok?
Sim
Sim
Interpretar
Analisar rota
Analisar rota
Interpretar
Não
Não
Rota ok ?
Rota ok ?
Sim
Sim
Analisar
feições
geológicas e
plotar furos
Fazer
levantamento
geotécnico
Avaliar
relatório
Emitir
relatório de
Geofísica
Fazer ensaios
de
laboratório
Fazer ensaios
de
laboratório
Elaborar
relatório de
Geotecnia
(Contratada)
Elaborar
relatório de
Geotecnia
(Contratada)
Não
Fazer
levantamento
geotécnico
Avaliar
relatório
Não
Relatório ok ?
Relatório ok ?
Sim
Emitir
relatório
interno de
Geotecnia
Analisar
feições
geológicas e
plotar furos
Sim
Consolidar
informações dos
relatórios para
projeto de dutos
submarinos
Emitir
relatório
interno de
Geotecnia
Figura 6 – Modelo conceitual do projeto de levantamento de dados geofísicos e
geotécnicos para dutos submarinos.
39
A Figura 7 representa o trecho de Geofísica para o projeto. O lado esquerdo da figura,
simétrico em relação ao lado direito, representa a Geofísica para águas rasas, enquanto
que o direito representa a Geofísica para águas profundas.
Figura 7 – Modelo conceitual do trecho de Geofísica
Analogamente, a Figura 8 representa o trecho de Geotecnia para o projeto. O lado
esquerdo da figura, simétrico em relação ao lado direito, representa a Geotecnia para
águas rasas, enquanto que o direito representa a Geotecnia para águas profundas.
40
Figura 8 – Modelo conceitual do trecho de Geotecnia
6.2
Coleta de dados
Os dados de entrada podem ser divididos em dois grupos: o primeiro grupo é
representado pelos dados que possuem registro histórico, enquanto que o segundo grupo
é representado por dados que não possuem registro histórico, mas que puderam ser
coletados segundo a técnica de consulta aos especialistas, ou Expert Options, (BANKS,
2010). Os dados de entrada para os dois tipos de grupos são apresentados adiante.
6.2.1 Dados de entrada com registro histórico:
O primeiro grupo é composto por quatro tipos de informações históricas: freqüência de
re-trabalho para a atividade Levantar dados Geofísicos (para as duas categorias de
lâmina d`água); taxa de re-trabalho para a etapa Levantar dados Geofísicos (para as
41
duas categorias de lâmina d`água); taxa de reprovação do relatório de Geotecnia da
empresa sub-contratada e tempo de re-trabalho do relatório de Geotecnia da empresa
sub-contratada.
Com relação à freqüência de re-trabalho para a atividade de Levantar dados Geofísicos,
os dados históricos mostram que em 100% das vezes em que essa atividade é executada
é preciso fazer novos levantamentos, especialmente porque o traçado pretendido para o
duto não atende a requisitos mínimos de Engenharia.
Em relação à taxa de re-trabalho para a atividade Levantar dados Geofísicos, os dados
históricos mostram que essa taxa está em torno de 50 % do total de km levantados. Ou
seja, verificada a necessidade de levantar dados de mais trechos do solo marinho, em
virtude da necessidade de se desviar a rota pretendida para o duto, o total adicional de
trecho levantado gira em torno de 50 % do que fora levantado inicialmente, segundo
dados históricos.
No que tange à taxa de reprovação do relatório de Geotecnia da empresa sub-contratada,
os números são: 39 % de reprovação na primeira emissão (revisão 0) e 7, 4 % de
reprovação na segunda emissão (revisão A).
Por fim, no que se refere ao tempo de re-trabalho do relatório de Geotecnia da empresa
sub-contratada, os números são 5, 7 e 10 dias, para os tempos otimista, moda e
pessimista, respectivamente.
Ainda com relação ao primeiro grupo de dados, segue a Tabela 2 com as informações
sobre as principais entidades envolvidas no projeto. Uma observação importante é que
existem dois Geofísicos alocados ao projeto, mas a dedicação de ambos ao projeto gira
em torno de uma taxa de 50%.
42
Tabela 2 – Entidades envolvidas nas atividades do projeto
Principais Entidades Envolvidas no Projeto
Lâmina menor que 200 m
(águas rasas)
Lâmina maior que 200 m
(águas profundas)
Atividades
Entidade
Quantidade
Levantar dados
Geofísicos
Navio Rasas
1
Processar dados
Interpretar
Analisar rota
Emitir relatório de
Geofísica
Atividades
Analisar feições
geológicas e plotar
furos
Fazer
levantamento
Geotécnico
Fazer ensaios de
laboratório
Elaborar relatório
de Geotecnia
(contratada)
Avaliar relatório
Emitir relatório
interno de
Geotecnia
Consolidar
informações dos
relatórios para
projeto de dutos
submarinos
Geofísico (GE)
Geofísico (GE)
Geofísico (GE)
Engenheiro de dutos
(ED)
Entidade
Geofísico (GE)
2 (50%)
2
1
1
Entidade
Navio Profundas
AUV
Geofísico (GE)
Geofísico (GE)
Geofísico (GE)
Engenheiro de dutos
(ED)
Quantidade
2
Quantidade
1
1
2 (50%)
2
1
1
Entidade
Quantidade
Entidade
Quantidade
Engenheiro Geotécnico
(EG)
1
Engenheiro Geotécnico
(EG)
1
Navio Rasas
1
Navio Profundas
1
Técnicos de laboratório
(TL)
Engenheiro Geotécnico
(EGC)
Assit. Técnico (AT)
Técnico de Laboratório
(TL)
Engenheiro Geotécnico
Final (EGF)
Engenheiro Geotécnico
Final (EGF)
1
Técnicos de laboratório
(TL)
Engenheiro Geotécnico
(EGC)
Assit. Técnico
1
Técnico de Laboratório
1
1
Engenheiro Geotécnico
Final (EGF)
1
1
Engenheiro Geotécnico
Final (EGF)
1
1
1
1
1
1
Esta etapa é o marco final do projeto: recebimento dos três relatórios ( Relatório
interno de Geotecnia de lâmina menor que 200m, Relatório interno de Geotecnia de
lâmina maior que 200 m, Relatório de Geofísica.)
43
6.2.2 Dados de entrada sem registro histórico:
O segundo grupo é composto pela descrição dos recursos utilizados no projeto, assim
como dos tempos de execução de cada atividade que compõe o projeto. Como não
existem dados históricos registrados, a técnica para levantamento dessas informações
foi a de Consulta aos Especialistas, ou Expert Options (BANKS, 2010).
Essa técnica é caracterizada pela consulta direta aos especialistas que possuem grande
experiência na realização de uma determinada atividade do projeto. É solicitada uma
estimativa razoável para os tempos otimista, moda e pessimista para cada atividade
desse projeto, segundo definição dos mesmos na Estatística. Após a coleta desses
tempos, atribui-se para cada atividade uma distribuição triangular no modelo de
Simulação (BANKS, 2010), já que é uma das melhores distribuições que se pode
atribuir quando não se possui dados históricos (CHWIF, 2007). Lembrando que com
relação às atividades do projeto, não há dados históricos para a realização de uma
Análise de Aderência8, a fim de se atribuir uma função de densidade de probabilidade9
significativa para o tempo de execução de cada atividade, baseada em dados históricos.
Como em qualquer modelo de Simulação, um ponto importante a ser lembrado refere-se
à necessidade de se garantir que os números pseudo-aleatórios gerados tenham como
propriedade ser estatisticamente independentes, assim como sejam representados por
uma função de densidade de probabilidade uniformemente distribuída (~ U[0,1]). Como
estaremos utilizando o software ARENA 12.0, o próprio software estará gerando esses
números pseudo-aleatórios com as propriedades necessárias.
8
Análise de Aderência – É um estudo que por meio de um Teste de Aderência se verifica uma hipótese
sobre a distribuição de probabilidade da população de uma amostra. Ou seja, admite-se que a variável de
interesse na população seja descrita por uma determinada distribuição de probabilidade e verifica-se
posteriormente a boa ou má aderência dos dados da amostra ao modelo de distribuição de probabilidade
proposto, sob um certo nível de significância. Existem três métodos de realização desse teste: Método (
 2 ), Método de Kolmogorov-Smirnov e Método Gráfico (NETO, 2002).
9
Função de densidade de probabilidade – É uma função matemática atribuída a uma variável aleatória
contínua, em que se obtém a probabilidade de ocorrência da variável em um certo intervalo, pela área
definida por esse mesmo intervalo e a referente função. Essa função matemática tem valor de área igual a
um para o intervalo que compreende todo o domínio da função.
44
Assim, a Tabela 3 apresenta os tempos para cada atividade no projeto, de acordo com o
nível de recursos utilizado, conforme a Tabela 2.
Tabela 3 – Tempos de execução das atividades do projeto
Tempos do projeto
Para todas as atividades serão atribuídas distribuições triangulares, pois não se possui dados históricos,
apenas informações de especialistas.
OBS : Tempo em dias
Atividades
Lâmina menor que 200 m
(águas rasas)
Otimista
Levantar dados Geofísicos
Processar dados
Interpretar
Analisar rota
Emitir relatório de Geofísica
Moda
40
43
15
18
10
12
0,083 0,167
Otimista
5
Pessimista
Lâmina maior que 200 m
(águas profundas)
Otimista
48
12,95
24
15
16
10
0,333
0,083
Moda
7
Moda
Pessimista
17,51
42,66
18
24
12
16
0,167
0,333
Pessimista
14
Analisar feições geológicas e
plotar furos
1
2
6
1
2
6
Fazer levantamento Geotécnico
8,5
30
11
90
22
180
5,12
80
5,98
120
12,3
160
4
8
16
4
8
16
Avaliar relatório
1
3
5
1
3
5
Emitir relatório interno de
Geotecnia
14
20
30
14
20
30
Fazer ensaios de laboratório
Elaborar relatório de Geotecnia
(sub-contratada)
Consolidar informações dos
relatórios para projeto de dutos
submarinos
Esta etapa é o marco final do projeto: recebimento dos três relatórios (
Relatório interno de Geotecnia de lâmina menor que 200m, Relatório
interno de Geotecnia de lâmina maior que 200 m, Relatório de
Geofísica consolidado de águas rasas e profundas.)
Informações Complementares da Execução do Projeto
Levantar dados Geofísicos (retrabalho em função de rota não
OK)
Decisão sobre o OK do
relatório de Geotecnia.
Re-trabalho do relatório de
Geotecnia (sub-contratada)
Percurso Original
Percurso de
re-trabalho
Percurso Original
Percurso de
re-trabalho
1600 km
800 Km
1817,1 Km
908,55 Km
Falha
revisão 0
Falha revisão A
Falha
revisão 0
Falha revisão A
39,0%
7,4%
39%
7,40%
5
7
10
5
7
10
45
6.3
Tradução do modelo (implementação)
Segundo FREITAS FILHO (2008), um sistema que gera dúvidas quanto à sua
classificação, em termos de ser sistema terminal ou não terminal, é a execução de um
projeto. Normalmente, esse tipo de sistema é de longa duração como, por exemplo, um
projeto de construção civil, de navios, de equipamentos industriais de grande porte, etc.
Assim, é comum classificá-los equivocadamente como sistema não terminal.
Entretanto, um sistema é dito terminal se as suas condições de início e de término
(evento de término) são claramente definidas e determinadas, como ocorre com a
execução de um projeto. Logo, a classificação de um projeto de grande porte, enquanto
sistema, é de um sistema terminal de longo prazo no contexto de um estudo de
Simulação.
A correta interpretação do tipo de sistema é muito importante, já que um estudo de
Simulação possui procedimentos distintos, conforme a classificação do sistema a qual
se pretende estudar: se o sistema é terminal ou não terminal (CHWIF, 2007). No
trabalho em questão, portanto, o sistema a ser estudado via Simulação é um sistema
terminal de longo prazo: a execução do projeto de levantamento de dados geofísicos e
geotécnicos para a implementação dos dutos submarinos.
Assim, a Figura 9 representa a tradução do modelo conceitual para um modelo
computacional. Essa tradução foi realizada por meio do software ARENA 12.0. A
mesma identifica os principais trechos do projeto, as atividades que compõem o mesmo,
e alguns marcos importantes no modelo.
Já a Figura 10 representa os quadrantes de imagens no modelo de Simulação, cujos
trechos terão suas imagens ampliadas e apresentadas em figuras posteriores. Esses
trechos do modelo foram cuidadosamente selecionados para que possam proporcionar
uma visão holística de todo o modelo de Simulação. O quadrante em azul representa o
trecho de Geofísica de águas rasas, Figura 11; o verde representa o trecho central do
modelo que inclui a atividade emitir relatório de Geofísica, Figura 12; o trecho em
vermelho é o trecho de Geotecnia de águas rasas, Figura 13 e, por fim, o quadrante em
preto representa o trecho final do modelo, Figura 14, o que inclui o marco Consolidar
informações do relatório para projeto de dutos. Não serão mostrados os trechos das
46
etapas de Geofísica e Geotecnia de águas profundas, pois são idênticos aos trechos de
águas rasas.
Figura 9 – Tradução do modelo
Figura 10 – Quadrantes-chaves do modelo
47
6.4
Verificação do modelo
No trabalho em questão, a verificação será feita utilizando-se o aplicativo do ARENA
12.0 chamado Check model. Esse é um recurso que o software possui de debuging.
6.5
Validação do modelo
Basicamente, dentre as várias técnicas disponíveis para a validação de modelos, uma se
mostrou muito interessante e, por isso, foi utilizada no trabalho em questão: validação
face a face (CHWIF, 2007). A validação face a face consiste no acompanhamento
contínuo do “ator” que conhece o sistema em estudo, validando premissas, hipóteses,
etc. Normalmente, esse “ator” é o cliente do estudo.
Um ponto importante é que a validação ocorreu por trechos do sistema, usando-se
inicialmente tempos determinísticos. Após isso, utilizaram-se as distribuições
triangulares característica de cada atividade, com a finalidade de avançar
progressivamente na complexidade do modelo utilizado na validação. Os trechos em
que ocorreram as validações parciais foram: Geofísica de águas rasas, ver Figura 11;
Geofísica de águas profundas; Geotecnia de águas rasas, ver Figura 13; e Geotecnia de
águas profundas.
Figura 11 – Trecho de Geofísica de águas rasas
48
Figura 12 – Trecho de emitir relatório de Geofísica
Figura 13 – Trecho de Geotecnia de águas rasas
Figura 14 – Trecho final
O processo de calibração das etapas foi realizado nos mesmos trechos em que
ocorreram as validações, já que a validação possui como sub-etapa a calibração
(BANKS, 2010).
49
7. PROJETO DE EXPERIMENTOS GERAL
Por definição, chamaremos de Projeto de Experimentos Geral do presente estudo toda a
lógica e sistemática de decisões que serão seguidas, a fim de se buscar cenários
conforme já descrito nos objetivos deste trabalho. Segundo FREITAS FILHO (2008),
essa é a etapa em que se projeta um conjunto de experimentos, a fim de se obter as
informações desejadas com o menor número possível de experimentos e esforço.
Além disso, é preciso diferenciar o Projeto de Experimentos Geral do que chamaremos
de Projeto de Experimentos Estatístico com Simulação, a ser também utilizado neste
trabalho. O primeiro é um conceito mais abrangente do que o segundo, incorporando
esse último inclusive. No caso do Projeto de Experimentos Estatístico com Simulação,
essa é uma técnica proveniente da Estatística, cujo objetivo é testar a influência de
certos fatores na variável resposta de um modelo.
Para efeito deste trabalho, o Projeto de Experimentos Estatístico com Simulação é a
primeira etapa do que chamamos de Projeto de Experimentos Geral. O uso do Projeto
de Experimentos Estatístico com Simulação tem como objetivo obter um insight (ensaio
prévio) de como o sistema se comporta, por meio de um modelo de Simulação, quando
são alterados os níveis de certos fatores do modelo. O modelo de Simulação é executado
com um número pequeno de replicações, de maneira organizada, a fim de subsidiar boas
escolhas de rodadas de Simulação a serem executadas e comparadas. Obviamente, está
se falando de alterações nos níveis não de quaisquer fatores, mas dos fatores que se
suspeitam como um dos mais influentes na variável resposta do modelo. A seleção
desses fatores é feita via técnica de Brainstorming (chuva de idéias), em que os
principais especialistas envolvidos nas atividades do sistema em estudo são envolvidos
e convidados a opinar e listar esses fatores. Dessa forma, O Projeto de Experimentos
Estatístico com Simulação torna-se interessante como primeira etapa do Projeto de
Experimentos Geral por proporcionar uma visão rápida e inicial de como o sistema se
comporta, quando os tidos “principais fatores” são alterados.
Ademais, o Projeto de Experimentos Geral segue com as seguintes definições: o
estabelecimento das medidas de desempenho que serão adotadas; o estabelecimento dos
intervalos de confiança a serem adotados para os parâmetros; o estabelecimento da
50
confiança estatística e da precisão a ser adotada; o estabelecimento do número de
replicações para cada rodada e o estabelecimento de amostras piloto.
Dessa forma, são estabelecidas todas as definições necessárias para se iniciar a
produção das rodadas finais, mas agora baseadas nos cenários que se mostraram mais
impactantes na variável resposta do modelo, conforme Projeto de Experimentos
Estatístico com Simulação. As mesmas são, agora, executadas com um número maior
de replicações, representando assim cenários estatisticamente mais significativos para a
tomada de decisões.
Assim, concluem-se as recomendações do Projeto de Experimentos Geral estabelecendo
que: deve-se iniciar as rodadas finais com as alterações de nível do primeiro fator (ou
interação) mais influente, escolhe-se a melhor configuração e seleciona-se a mesma
como base para início do estudo do segundo fator (ou interação) mais influente. Assim,
executam-se as rodadas com as alterações de nível do segundo fator (ou interação) mais
influente, escolhe-se a melhor configuração e parte-se para o estudo das rodadas com
alterações de nível do terceiro fator (ou interação) mais influente, e assim por diante. A
sistemática prevê que sempre se escolha o melhor cenário para o estudo de um fator (ou
interação), mesmo que a diferença não seja tão sensível de um cenário para outro.
Quando dois cenários no estudo de um mesmo fator (ou interação) mostrarem-se
semelhantes, então poderá ser lançado mão de uma análise de sensibilidade, a fim de
diferenciá-los de algum modo.
Por fim, é relevante notar que a Tabela 3 mostra as atividades fazer ensaios de
laboratório para águas rasas e fazer ensaios de laboratório para águas profundas como
sendo as atividades de projeto mais demoradas. Ou seja, os dois grandes gargalos do
sistema. Em princípio, o presente estudo poderia focar em atuar diretamente nessas
atividades, a fim de se reduzir o tempo dessas atividades. Conseqüentemente, se obter
ganhos de prazo no projeto como um todo. Entretanto, isso não foi feito, pois conduzir o
presente estudo baseado no Projeto de Experimentos Geral é uma sistemática mais
ampla de intervenção no sistema. Inclusive, incorporando a possibilidade de reduções
de tempo de execução dessas atividades em questão.
51
7.1
Projeto de Experimentos Estatístico com Simulação (2k
x
r) para os fatores
internos à OIL & GAS Enterprise
Esse projeto de experimentos foi executado com o objetivo de identificar os principais
fatores internos à OIL & GAS Enterprise que afetam o prazo do projeto. Ou seja, a
identificação dos fatores que são de controle direto e imediato, no ambiente interno da
Oil & Gás Enterprise, e que muito influenciam o prazo do projeto. O projeto de
experimentos é do tipo 2k x r, em que k = 5 e r =3, ou seja 25 x 3. O número 2 representa
o número de níveis em que os cinco fatores testados (5 do k) são executados nas três
replicações (3 do r) para cada cenário. Os cinco fatores com potencial de impactos no
prazo do projeto foram levantados por consulta às pessoas envolvidas com essa
modalidade de projeto, por meio de um brainstorming (chuva de idéias). Os fatores a
serem testados são: priorização de recursos em águas rasas, número de geofísicos,
diferença entre instante de tempo de início do projeto entre o trecho de águas rasas e
profundas, número de engenheiros geotécnicos final, % de falhas em emissões de
documentos de revisão 0.
Deve-se observar que para o presente trabalho, o tempo médio de projeto para cada
cenário no projeto de experimentos foi obtido com 3 replicações. Esse número, em
princípio, não proporciona significância estatística. Entretanto, o mesmo fornece uma
primeira direção ao analista de Simulação, em termos de quais fatores podem
proporcionar impactos na variável resposta. Dessa forma, é possível que a produção das
rodadas finais mostre certa diferença no grau de influência dos fatores testados com
relação ao projeto de experimentos, já que os resultados das rodadas serão obtidos com
um número de replicações mais significativo.
A Tabela 4 lista os principais fatores internos que poderiam ter grande impacto no prazo
do projeto, assim como os níveis em que os mesmos estão sendo verificados. A coluna
(-1) representa o nível real atual de um fator, e a coluna (+1) mostra o nível proposto
para um certo fator. A Tabela 5 mostra os resultados do projeto de experimentos para a
análise dos fatores internos à OIL & GAS Enterprise, mostrando o grau de explicação de
cada fator na variável resposta (tempo médio de projeto) em (%). Para um entendimento
mais detalhado, ver Apêndice A.2.
52
Tabela 4 – Principais fatores internos à Oil & Gas Enterprise a serem testados
Lista dos Principais Fatores Internos à OIL & GAS Enterprise
Fator
Descrição
A
Priorização
de recursos
em águas
rasas
B
C
D
E
Número de
Geofísicos
Diferença
entre instante
de tempo de
início entre
águas rasas e
profundas
Número de
Eng.
Geotécnicos
Final
% de falhas
em emissões
de
documentos
revisão 0
Nível Atual (-1)
Nível Proposto (+1)
Média
Alta para o uso de
Geofísico e Eng.
Geotécnicos final em águas
rasas
1
4
- 60 dias
0 dias
1
3
39%
20%
53
Tabela 5 – Estrutura do Projeto de Experimentos 25 x 3 para fatores internos
Fonte: Modelo de experimento 2k x r, WWW.paragon.com.br/livropaulofreitas
54
7.2
Projeto de Experimentos Estatístico com Simulação (2k x r) para os fatores
externos à OIL & GAS Enterprise
Esse projeto de experimentos foi executado com o objetivo de identificar os principais
fatores externos à OIL & GAS Enterprise que afetam o prazo do projeto. Ou seja, os
fatores relevantes que estão sob o controle das empresas sub-contratadas. O projeto é do
tipo 2k x r, em que k = 5 e r =3, ou seja, 25 x 3. O número 2 representa o número de
níveis em que os cinco fatores testados (5 do k) são executados nas três replicações (3
do r) para cada cenário. Os cinco fatores com potencial de impactos no prazo do projeto
foram levantados por consulta às pessoas envolvidas com essa modalidade de projeto,
por meio de um brainstorming (chuva de idéias). Todos esses fatores estão associados
às sub-contratadas A, B e C. Os fatores a serem testados são: tempo de levantamento
geofísico em águas rasas, tempo de levantamento geofísico em águas profundas, tempo
de fazer ensaios de laboratório de águas rasas, tempo de fazer ensaios de laboratório de
águas profundas e tempo de fazer levantamento geotécnico de águas rasas.
Assim, como no item anterior de projeto de experimentos para fatores internos, deve-se
observar que para o projeto de experimentos em questão, o tempo médio de projeto para
cada cenário é obtido com 3 replicações. Esse número, em princípio, não proporciona
significância estatística. Entretanto, o mesmo fornece uma primeira direção ao analista
de Simulação, em termos de quais fatores externos podem proporcionar impactos na
variável resposta. Dessa forma, é possível que a produção das rodadas finais mostre
certa diferença no grau de influência dos fatores testados com relação ao projeto de
experimentos, já que os resultados das rodadas serão obtidos com um número de
replicações mais significativo.
A Tabela 6 lista os principais fatores externos que poderiam ter grande impacto no
prazo do projeto, assim como os níveis em que os mesmos estão sendo verificados. A
coluna (-1) representa o nível real atual de um fator, e a coluna (+1) mostra o nível
proposto para um certo fator. A Tabela 7 mostra os resultados do projeto de
experimentos para a análise dos fatores externos à OIL & GAS Enterprise, mostrando o
grau de explicação de cada fator na variável resposta (tempo médio de projeto) em (%).
Para um entendimento mais detalhado, ver Apêndice A.2.
55
Tabela 6 – Principais fatores externos à Oil & Gas Enterprise a serem testados
Lista dos Principais Fatores Externos à OIL & GAS Enterprise
(tempo otimista, moda e tempo pessimista, em dias)
Fator
Descrição
Nível Atual (-1)
Nível Proposto (+1)
A
Levantamento
Geofísico em
águas rasas
(40;43;48)
(40;43;48)/2
B
Levantamento
Geofísico em
águas profundas
(12,95; 17,51;42,66)
(12,95; 17,51;42,66)/2
C
Ensaios de
laboratório em
águas rasas
(30;90;180)
(30;90;180)/2
D
Ensaios de
laboratório em
águas profundas
(80;120;160)
(80;120;160)/2
E
Fazer
levantamento
Geotécnico em
águas rasas
(8,5;11;22)
(8,5;11;22)/2
56
Tabela 7 – Estrutura do Projeto de Experimentos 25 x 3 para fatores externos
Fonte: Modelo de experimento 2k x r, WWW.paragon.com.br/livropaulofreitas
57
7.3
Rodadas
Após o Projeto de Experimentos Estatístico com Simulação para fatores internos,
verificou-se a conveniência de execução das seguintes rodadas, por ordem decrescente
de influência dos fatores internos no sistema, conforme Tabela 5: rodada considerando
variações na diferença do instante de tempo entre início de águas rasas e profundas
(28,10%), rodadas com variações de número de engenheiros geotécnicos final (11,78%),
rodadas com variações no número de geofísicos (5,78%). Um ponto importante a ser
observado é que variações conjunta dos fatores, dois a dois, não mostraram grande
influência no sistema, conforme se pôde observar nesse projeto de experimentos.
Além das rodadas mencionadas, ainda com relação aos fatores internos, algumas outras
rodadas se mostram relevantes e, portanto, também serão executadas para um melhor
entendimento do comportamento do sistema. Essas rodadas complementares são:
rodada considerando modelo estocástico real atual (rodada 1), rodada considerando um
modelo determinístico total (rodada2) e a rodada de modelo determinístico no tempo
(rodada3). A primeira rodada será mostrada posteriormente em detalhes, enquanto que
as rodadas 2 e 3 serão apresentadas apenas no Apêndice A.3.
Com relação ao Projeto de Experimentos Estatístico com Simulação para fatores
externos, verificou-se a conveniência de execução das seguintes rodadas, por ordem
decrescente de influência dos fatores externos no sistema, conforme Tabela 7: rodada
considerando variações no tempo de ensaios de laboratório de águas profundas
(34,89%), rodada considerando variações no tempo de ensaios de laboratório de águas
rasas (26,80%) e rodada considerando variações no tempo de ensaios de laboratório de
águas rasas e profundas, conjuntamente (2,46%).
7.4
Medidas de desempenho
A medida de desempenho a ser adotada para o estudo de caso depende do objetivo em
questão. Para o primeiro objetivo do trabalho, duas medidas de desempenho serão
adotadas: o tempo de projeto para uma probabilidade acumulada de realização do
projeto de 100%; e o tempo médio de execução do projeto. A primeira medida
prevalece sobre a segunda. Ou seja, apenas se houver um empate na primeira medida
58
entre dois cenários, a segunda será usada para a escolha do melhor cenário. Para as duas
medidas de desempenho, quanto menor seu valor, melhor.
Para o segundo objetivo, a única medida de desempenho é o tempo médio de execução
do projeto. Nesse último caso, também vale a regra de quanto menor, melhor. Essas
escolhas estão diretamente alinhadas com os seus respectivos objetivos do estudo de
Simulação.
7.5
Intervalos de confiança
Serão obtidos intervalos de confiança para todas as variáveis envolvidas no modelo de
Simulação, não somente para aquelas que representam as medidas de desempenho do
sistema. Esses intervalos de confiança serão automaticamente gerados pelo Simulador
ARENA 12.0. Lembrando que o intervalo de confiança é representado por x  h  , em
que h é a precisão do intervalo. A média será representada por average e a precisão por
half width no relatório de Simulação gerado pelo ARENA 12.0.
7.6
Confiança estatística e precisão
Trabalharemos com uma confiança estatística10, ou intervalo de confiança de 95%.
Inclusive, essa confiança é default (um padrão inicial) no ARENA 12.0. No que tange à
precisão11, como o tamanho das amostras será elevado, é provável obter-se boa precisão
para as estatísticas que serão geradas. Entretanto, adotaremos como meta uma precisão
com valor menor que 5 dias.
10
Confiança estatística: esse conceito refere-se ao intervalo de confiança que contém a média da
população, sob certa probabilidade. Quanto maior o valor dessa probabilidade, maior é a confiança
estatística de que a média da população encontra-se dentro desse intervalo (CHWIF, 2007).
11
Precisão: é o raio do intervalo de confiança (h), ou metade do intervalo de confiança. Logo, 2h é o
comprimento do intervalo de confiança. Uma observação interessante é que não adianta uma elevada
confiança estatística se o raio do intervalo de confiança for muito grande, pois nada se poderá concluir de
relevante sobre a média da população (CHWIF, 2007).
59
7.7
Replicações
As rodadas a serem executadas serão compostas por 200 replicações cada uma. O
número elevado de replicações é conveniente, na medida em que se pode evitar
replicações adicionais com o objetivo de se obter maior precisão na medida de
desempenho.
7.8
Amostra piloto
Conforme dito anteriormente, utilizaremos uma amostra piloto inicial com 200
replicações em cada rodada. Como esse tamanho de amostra é considerado razoável,
espera-se que não haja necessidade de rodadas de Simulação complementares, a fim de
se obter boa precisão (h = half width < 5 dias) para a confiança estatística escolhida de
95%.
Caso haja necessidade de replicações adicionais, a fim de se obter uma precisão
desejável, utilizaremos a relação abaixo (FREITAS FILHO, 2008) entre intervalo de
confiança, precisão e número da mostra (número de replicações).
n*=[ n(h/h*)2]
n* = número da amostra necessária;
n = número da amostra piloto
h = precisão real
h* = precisão desejada
A Figura 15 representa o processo necessário para se obter a precisão desejada, para
uma certa confiança estatística, acrescentando um certo número de replicações.
60
Figura 15 – Fluxograma do procedimento de análise de sistemas terminais
Fonte: FREITAS FILHO (2008)
61
8. PRODUÇÃO DAS RODADAS E ANÁLISE DOS RESULTADOS
Para LAW (2007), existem duas atividades fundamentais nessa etapa: a determinação
do desempenho absoluto de operação de um cenário (levantamento dos valores
assumidos pelas medidas de desempenho) e a comparação de cenários em sentido
relativo. Para o primeiro caso, serão apresentadas as medidas de desempenho de cada
sistema, assim como outras estatísticas adicionais. Para o segundo caso, será usado o
método do Teste de Hipóteses para a comparação de duas médias com dados
emparelhados (NETO, 2002). Assim, será possível a comparação da média do cenário
real atual com a média de um cenário alternativo, o qual se deseja avaliar e,
eventualmente, propor como alternativa de operação do sistema.
Com relação às rodadas a serem executadas, alguns esclarecimentos se fazem
necessários. Para cada rodada será apresentada uma tabela e um gráfico. Tanto a tabela
User Specified (especificado pelo usuário), quanto o gráfico de probabilidade
acumulada de realização do projeto fornecem estatísticas importantes para a
comparação dos cenários. Neste capítulo, serão apresentadas somente a tabela e o
gráfico da rodada 1, que representa o modelo estocástico atual (modelo atual real do
sistema). As demais rodadas, com as suas respectivas tabela User Specified e gráfico
de probabilidade acumulada de realização do projeto, estão apresentadas no
apêndice A.3. Entretanto, isso não impedirá que as mesmas sejam mencionadas
nas análises e conclusões subseqüentes deste capítulo.
Nas tabelas com o título User Specified (especificado pelo usuário) existem sete
estatísticas que foram coletadas e apresentadas em relatório pelo Simulador para cada
rodada. A primeira, e a mais importante, é a Consolidação dos relatórios final, no item
Output (saída). Essa estatística representa a medida de desempenho chamada de tempo
médio de projeto, para a referida rodada com 200 replicações. As outras estatísticas são:
Diferença de tempo entre Geofísica de águas rasas e profundas, que representa módulo
da diferença entre o intervalo de tempo de execução de Geofísica de águas rasas e
profundas; Tempo de Geofísica de águas rasas, que representa o intervalo de tempo
para a execução de toda a Geofísica em águas rasas; Tempo de Geofísica de águas
profundas, que representa o intervalo de tempo para a execução de toda a Geofísica em
águas profundas; Tempo de Geotecnia de águas rasas, que representa o intervalo de
tempo para a execução de toda a Geotecnia em águas rasas; Tempo de Geotecnia de
62
águas profundas, que representa o intervalo de tempo para a execução de toda a
Geotecnia em águas profundas e, por fim; Tempo do trecho final de Geofísica, que
representa o intervalo de tempo entre o término da primeira Geofísica concluída (não
importa se de águas rasas ou de profundas) e a emissão do relatório de Geofísica.
Além disso, tem-se o gráfico de probabilidade acumulada de realização do projeto. Esse
gráfico fornece a probabilidade acumulada de realização do projeto, em função do
tempo de projeto que se deseja comparar (nosso maior interesse). E mais, é possível
observar que o gráfico também fornece as freqüências absolutas, relativas, freqüências
absolutas acumuladas e, conforme já mencionado, as freqüências relativas acumuladas
para a realização do projeto.
Por fim, a produção das rodadas de Simulação irá subsidiar a proposição de novos
cenários, como sugestão de melhoria na maneira como o projeto em questão é
executado. As rodadas de Simulação terão os seus principais fatores do modelo
alterados, segundo o que fora sugerido nos Projetos de Experimento Estatístico com
Simulação para fatores internos e externos à OIL & GAS Enterprise.
8.1
Análise da rodada 1 – Modelo estocástico atual (modelo real do sistema)
Esse cenário foi construído atribuindo-se as distribuições de probabilidade triangulares,
com seus valores otimista, moda e pessimista, respectivamente, para cada atividade do
projeto, conforme Tabela 3. Além disso, foram consideradas todas as aleatoriedades
mapeadas no sistema para este trabalho, conforme essa mesma tabela. Um ponto
importante a ser ressaltado é que essa configuração de cenário incorpora a defasagem
de 60 dias entre o início do projeto no trecho de águas rasas em relação a águas
profundas (águas rasas começa 60 dias depois de profundas).
Com relação às características desse cenário, ressalta-se que o mesmo prevê um tempo
médio de execução do projeto (consolidação dos relatórios final) de 311 dias, ver Tabela
8. Essa previsão representa um atraso de 21,5 dias em relação à previsão feita
internamente na OIL & GAS Enterprise cuja ferramenta PERT/CPM mostrou uma
previsão de execução do projeto de 289,5 dias. Além disso, a Tabela 8 mostra que todo
63
o trecho de águas rasas é o caminho crítico12 do projeto. Essa informação pode ser
obtida ao observar que a Geofísica de águas rasas termina 95,64 dias depois da
Geofísica de águas profundas (Diferença de tempo entre Geofísica rasa e profunda).
Assim, como a Geotecnia de águas profundas começa 95,64 dias antes da Geotecnia de
águas rasas, e tendo em vista o tempo de Geotecnia de águas rasas (159,05 dias) e
profundas (170,38 dias), conclui-se que águas rasas é o caminho crítico para esse
cenário.
Tabela 8 – Especificado pelo usuário para a rodada 1
Já o Gráfico 10 mostra as classes de freqüências para o tempo de projeto, por meio de
histogramas, assim como o respectivo gráfico de probabilidade acumulada para essa
rodada. As colunas Cell Limits fornecem os limites inferior e superior para as classes de
freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
Como o número de replicações para a rodada é elevado (n=200), iremos considerar que
a freqüência relativa e a freqüência relativa acumulada, para cada classe de freqüência,
12
Consolidação dos relatórios final (311,00 dias) = Tempo de Geofísica de águas rasas (151,95 dias) +
Tempo de Geotecnia de águas rasas (159,05 dias).
64
tende a ser a probabilidade e a probabilidade acumulada referente à essa classe de
freqüência, respectivamente.
Gráfico 10 – Probabilidade acumulada de realização do projeto para rodada 1
Conforme pode ser visto no Gráfico 10 (ver destacado em vermelho), o tempo de
projeto é de 399,9 dias (consideramos o limite superior) para uma probabilidade
acumulada de realização de 100%. Notar que a probabilidade acumulada de realização
do projeto de 100% é representada por 1.
65
8.2
Análise das rodadas com variações no tempo relativo de início entre águas
rasas e profundas
O estudo e a análise das rodadas em questão tornam-se relevantes na medida em que se
obteve 28,10% de explicação da variável resposta do modelo de Simulação em função
do tempo relativo de início entre águas rasas e profundas. Ver resultados do Projeto de
Experimentos Estatístico com Simulação para fatores internos, Tabela 5.
As rodadas que compõem a presente análise são as rodadas de número 1 e as de número
4 à 10. As mesmas apresentam variações no início relativo entre o trecho do projeto de
águas rasas e profundas.
Podemos concluir, de acordo com as rodadas simuladas, que a rodada de início de
águas profundas 7 dias antes de águas rasas (rodada 5) e a rodada de início conjunto
de águas rasas e profundas (rodada 6) possuem o menor tempo de projeto com
probabilidade acumulada de realização de 100%. Conforme podemos perceber na
Tabela 9 e Gráfico 11, esses dois cenários empatam na medida de desempenho tempo de
projeto para probabilidade acumulada de realização de 100% (ambos com 339, 90 dias
de projeto). Lembrando que Tp é o instante de tempo de início do projeto no trecho de
águas profundas, enquanto que Tr o equivalente para o trecho de águas rasas.
Tabela 9 – Tempo de projeto para probabilidade acumulada de realização de 100
% versus (Tp – Tr)
66
Gráfico 11 – Representação gráfica da Tabela 9
Utilizando a segunda medida de desempenho para o desempate, podemos perceber que
a rodada que representa o início conjunto entre águas rasas e águas profundas possui o
menor tempo médio de projeto previsto, correspondendo a 271,49 dias, ver Tabela 10 e
Gráfico 12. Dessa forma, levando-se em consideração apenas as rodadas testadas na
presente análise, o início de águas rasas conjunto com o início de águas profundas seria
um ponto de mínimo local, com relação à variável tempo médio de projeto.
67
Tabela 10 – Tempo médio de projeto versus (Tp – Tr)
Gráfico 12 – Representação gráfica da Tabela 10
Apesar de não se poder garantir que a rodada 6 seja um ponto de mínimo global, para a
variável de resposta tempo médio de projeto, adotaremos para as próximas rodadas essa
configuração como base, conforme a sistemática estabelecida no Projeto de
Experimentos Geral. Ou seja, essa rodada é um ponto de partida para novas melhorias.
A partir da mesma, iremos alterá-la (mexendo em outros fatores ainda a serem
analisados) de maneira a obtermos melhorias adicionais para a variável resposta.
68
8.3
Análise das rodadas com início simultâneo de águas rasas e profundas e
com variações de recursos
O estudo e a análise das rodadas em questão tornam-se relevantes na medida em que se
obteve uma explicação da variável de resposta tempo médio de projeto com 11,78 %
atribuída à variação no número de EGF (engenheiro geotécnico final) e de 5,78%
atribuída ao número de GE (geofísico). Ver resultados do Projeto de Experimentos
Estatístico com Simulação para fatores internos, Tabela 5.
As rodadas que compõem a presente análise são as rodadas de número 11 a 21. Dessa
forma, passaremos a partir de agora a estudar o comportamento do sistema com as
variações de recursos, mas com início simultâneo do trecho do projeto de águas rasas e
profundas. Apenas como premissa, consideraremos que os cenários cuja adição de
recursos não ultrapassem 0,5 EGF ou 0,5 GE são cenários com adição de recursos de
baixo custo de implantação. Essa premissa será relevante para a escolha de cenários
com ganhos em prazo a custo baixo. Esclarecendo que 0,5 EGF é um engenheiro
geotécnico final com dedicação parcial (de 50%) do seu turno de trabalho a esse projeto.
Analogamente, 0,5 GE é um geofísico com dedicação parcial (de 50%) do seu turno de
trabalho a esse projeto.
Para a presente análise, o tempo de projeto para a probabilidade acumulada de
realização de 100 % segue os resultados conforme Tabela 11 e o Gráfico 13. O menor
valor de tempo de projeto é representado pela rodada 21 em que utilizaram-se 3 EGF e 2
GE. Entretanto, lembrando do fato de que estamos buscando a adoção de cenários com
ganhos em prazo e, se possível, a custos adicionais baixo, a escolha sugerida deve se
concentrar em 2 possibilidades de cenários, conforme números destacados em fundo
branco na Tabela 11. Esses cenários representam as rodadas 11 e 16, conforme
apêndice. Esses dois cenários representam configurações com ganhos de prazo em
relação à rodada 6 e custos adicionais baixo, conforme premissa já discutida.
69
Tabela 11 – Tempo de projeto com probabilidade acumulada de realização de
100% como função do número de EGF e de GE
Gráfico 13 – Gráfico de resposta de superfície para a Tabela 11
70
Conforme se pode observar na Tabela 11 e no Gráfico 13, existe um empate entre as
rodadas 11 e 16, segundo a medida de desempenho tempo de projeto com probabilidade
acumulada de realização de 100%. Dessa forma o desempate ocorrerá com a
comparação entre as rodadas por meio da 2º medida de desempenho, tempo médio de
projeto.
Segundo a Tabela 12 e Gráfico 14, existe mais ganho em se acrescentar mais 0,5 EGF
do que 0,5 GE. Dessa forma, conforme critério do Projeto de Experimentos Geral, a
configuração recomendada para o sistema seria o acréscimo de 0,5 EGF em relação à
rodada 6, configurando a rodada 11. Deve-se, entretanto, levar em consideração que
mesmo com o uso da 2º medida de desempenho os resultados ainda estão muito
próximos.
Tabela 12 – Tempo médio de projeto como função do número de EGF e de GE
Assim, o próprio Gráfico 14 torna-se oportuno ao mostrar que o sistema é apenas
ligeiramente mais sensível e, portanto, influenciável por acréscimos em número de EGF
do que de GE. Observar que para cada incremento em número de EGF (de 0,5, no
gráfico), a redução do tempo médio de projeto é maior, se comparado com a redução do
tempo médio de projeto com o incremento equivalente em GE. Dito de outra maneira,
notar que o gráfico é um pouco mais “inclinado” no sentido do eixo de EGF do que de
GE. Dessa forma, escolheu-se a rodada 11 em detrimento da rodada 16 tendo em vista
apenas o critério adotado no Projeto de Experimentos Geral.
71
Gráfico 14 – Gráfico de resposta de superfície para a Tabela 12
8.4
Análise das rodadas com variações no tempo das atividades fazer ensaios de
laboratório de águas rasas e profundas
Essa etapa é composta de experimentações com variações nos tempos de execução das
atividades fazer ensaios de laboratórios para o trecho de águas rasas, fazer ensaios de
laboratório para o trecho de águas profundas e os dois conjuntamente, conforme
reduções de tempo na Tabela 6 para as rodadas 22, 23 e 24.
O estudo e a análise das rodadas em questão tornam-se relevantes na medida em que se
obteve uma explicação da variável de resposta, tempo médio de projeto, com 34,89 %
atribuída a redução do tempo da atividade Fazer ensaios de laboratório para águas
profundas; 26,80% atribuída à redução do tempo da atividade Fazer ensaios de
laboratório para águas rasas; e 2,46 % atribuída à redução conjunta dos tempos das
atividades Fazer ensaios de laboratório para águas rasas e profundas. Ver resultados do
Projeto de Experimentos Estatístico com Simulação para fatores externos, Tabela 7.
A Tabela 13 mostra o tempo de projeto para probabilidade acumulada de realização de
100% em função da rodada. Para essa medida de desempenho, observar que a rodada 23
não apresentou nenhum ganho em relação à rodada 11, já que essa última também
72
apresenta 329.9 dias de tempo de projeto para probabilidade acumulada de realização
de 100%. Além disso, apesar da rodada 24 apresentar o melhor valor para essa medida
de desempenho, a mesma não apresentou uma diferença significativa em relação à
rodada 22, se comparamos o esforço e as ações necessárias para a construção de ambas
rodadas (a rodada 24 é redução do tempo de realização das atividades fazer ensaios de
laboratório para águas rasas e profundas ao mesmo tempo, enquanto que a rodada 22 é a
redução apenas do tempo da atividade fazer ensaios de laboratório de águas rasas).
Assim, para a medida de desempenho em questão, escolheu-se a rodada 22 como sendo
a mais significativa. Essa decisão constitui-se uma exceção ao estabelecido no Projeto
de Experimentos Geral.
Tabela 13 – Tempo de projeto para probabilidade acumulada de realização de
100% como função da rodada
Além disso, a Tabela 14 fornece o resultado da execução das rodadas, mas agora em
relação à medida de desempenho tempo médio de projeto. A ordenação de preferência
das rodadas, em termos de resultados, não se altera quando as rodadas são comparadas
segundo essa medida de desempenho. Dessa forma, a rodada 22 permanece como sendo
a de melhor “custo benefício” para essa medida de desempenho, da mesma forma que a
análise anterior. Ademais, a escolha da rodada 22 significa atuar diretamente no
caminho crítico médio do projeto. Ou seja, um ponto de intervenção muito relevante.
Isso acontece na medida em que essa rodada representa atuar na atividade fazer ensaios
de laboratório para águas rasas, o que implica atuar na Geotecnia de águas rasas que, na
média, está no caminho crítico do projeto, ver Tabela 30 da rodada 11.
73
Tabela 14 – Tempo médio de projeto como função da rodada
Assim, o Gráfico 15 mostra o desempenho das rodadas como função das duas medidas
de desempenho. Observar que a ordenação de preferência das rodadas não se altera em
relação às duas medidas de desempenho.
Gráfico 15 – Resultado das medidas de desempenho como função da rodada
Escolhida a Rodada 22, alguns esclarecimentos se fazem necessários. O ponto
fundamental a ser ressaltado é que apesar do tempo de execução da atividade fazer
ensaios de laboratório para águas rasas representar um imput (fator de entrada) no
modelo de Simulação, esse tempo é conseqüência das operações que constituem essa
atividade. Assim, as causas que geram os elevados tempos de execução dessa atividade
estariam associadas a essas operações. Entretanto, não foi possível levantar quais são
todas essas supostas operações dessa atividade, assim como as causas que atuariam
nessas operações. E até é normal que essas causas não tenham sido levantadas no
brainstorming (chuva de idéias) para o Projeto de Experimentos Estatístico com
Simulação para fatores externos, já que as mesmas seriam externas ao ambiente da Oil
74
& Gas Enterprise, sendo, portanto, muito difícil a identificação dessas causas nesse
contexto. Além do mais, não houve uma abertura para que um estudo como esse fosse
feito, pois isso significaria que a OIL & GAS Enterprise estaria intervindo numa
atividade que é, por natureza, de sua subcontratada. Ou seja, uma atividade de outra
empresa.
Contudo, sabendo que reduções no tempo da atividade fazer ensaios de laboratório para
águas rasas pode representar ganhos expressivos no tempo médio de projeto, além do
fato dessa atividade estar presente no caminho crítico do projeto (ver rodada 11), seria
muito útil saber o quão sensível é o tempo médio do projeto como função da moda e do
tempo pessimista da atividade fazer ensaios de laboratório para águas rasas. Assim,
uma análise de sensibilidade poderia direcionar futuras intervenções nas operações que
constituem a atividade fazer ensaios de laboratório para águas rasas, a fim de
proporcionar ganhos finais no prazo do projeto, seja por reduções da moda ou no tempo
pessimista dessa atividade. Como exemplo, o tempo pessimista pode estar associado a
folga de máquinas, gerando elevada variabilidade no tempo das operações. Já a moda,
essa pode estar associada a um mau ajuste de algum comando de uma máquina, gerando
um viés no tempo de operações.
8.4.1. Análise de sensibilidade para a moda e para o tempo pessimista da
atividade fazer ensaios de laboratório para águas rasas.
A análise de sensibilidade em questão será realizada com base no melhor cenário
obtido, até então, a rodada 11. Por meio da Tabela 15 e da Tabela 16, podemos perceber
que o tempo médio do projeto é ligeiramente mais sensível à variações no tempo
pessimista de realização da atividade do que na moda de realização da atividade.
Ademais, o Gráfico 1613 mostra o comportamento dessas variações no tempo de
13
Observar os Modelos de Regressão Linear feitos para os pontos das curvas, a fim de se obter uma
função matemática aproximada para cada gráfico. Observar que a derivada da curva Tempo de projeto
como função da moda (y`m) tem valor igual a 0,1573. Por outro lado, a derivada da curva Tempo de
projeto como função do tempo pessimista (y`p) tem valor 0,2799. Logo, o tempo médio de projeto é,
apenas, ligeiramente mais sensível a variações no tempo pessimista da atividade do que na moda.
75
execução do projeto em função das variações na moda (gráfico 2 D em vermelho) e no
tempo pessimista (gráfico 2D em azul).
Tabela 15 – Tempo médio de projeto como função da moda dos ensaios de
laboratório de águas rasas
Tabela 16 – Tempo médio de projeto como função do tempo Pessimista dos ensaios
de laboratório de águas rasas
Gráfico 16 – Tempo médio de projeto para variações na moda e no tempo
pessimista separadamente.
76
Por fim, segue agora uma análise de sensibilidade do tempo médio de projeto como
função das duas variáveis conjuntamente: em tempo pessimista e na moda da atividade
fazer ensaios de laboratório para águas rasas. A Tabela 17 mostra o valor esperado para
o tempo médio de projeto, como função do tempo pessimista e da moda para a etapa
fazer ensaios de laboratório para águas rasas. O Gráfico 17 mostra a respectiva resposta
de superfície. Diferentemente do que fora até então apresentado, temos na Tabela 17 e
no Gráfico 17 o resultado da interação conjunta entre moda e tempo pessimista no
tempo médio de projeto.
Tabela 17 – Tempo médio de projeto como função da moda e do tempo pessimista
para ensaios de laboratório de águas rasas.
Gráfico 17 – Gráfico de resposta de superfície para a Tabela 17
77
Conforme se pode observar no Gráfico 17, o mesmo é ligeiramente mais sensível a
variações no tempo pessimista da atividade fazer ensaios de labortáorio de águas rasas
do que na moda da mesma atividade. Observar que para um mesmo incremento de
variação no Tempo Pessimista (18 dias, conforme mostrado no gráfico), o tempo médio
de projeto sofre uma variação um pouco maior do que ocorreria caso o mesmo
incremento fosse adotado na moda. Entretanto, essa diferença de influência no tempo
médio do projeto não se mostra tão significativa a ponto de se recomendar atuar na
redução do tempo pessimista em detrimento da moda, ou vice-versa. Além disso, a
interação conjunta entre moda e tempo pessimista não proporciona impactos
consideráveis no tempo médio de projeto.
8.5
Testes de hipóteses
Por fim, verificado que as rodadas 6 e 11 são rodadas em que se obtem ganhos de prazo
em relação ao sistema estocástico atual (rodada 1), é necessário que seja verificado o
quanto essas configurações do sistema são estatisticamente distintas da rodada 1, sob o
nível de significãncia de 5%. Para isso, seguem os testes de hipóteses executados para a
comparação de médias de dados emparelhados. Dessa forma, conforme a Tabela 18 e
Tabela 19, respectivamente, podemos considerar as rodadas 6 e 11 distintas da rodada 1
(hipótese H0 rejeitada). Para maiores detalhes, ver apêndice A.4.
Tabela 18 – Comparação de médias de dados emparelhados para a rodada 6 em
relação à rodada 1
78
Tabela 19 – Comparação de médias de dados emparelhados para a rodada 11 em
relação à rodada 1.
8.6
Rodadas adicionais
Não se verificou a necessidade de rodadas adicionais, haja vista que se conseguiu obter
o intervalo de confiança de 95% para todas as estatísticas, com a precisão desejada (h<
5 dias). Ressalta-se aqui a vantagem de se ter escolhido o número de replicações igual a
200 para cada rodada.
8.7
Documentação e relatório
Admitiremos como documentação e relatório o próprio desenvolvimento do referido
trabalho. Para projetos de Simulação desvinculados do meio acadêmico, ressalta-se a
necessidade de criação e arquivamento de diários referente ao projeto. Deve-se registrar
tudo de relevante e que possa ser importante para a credibilidade do trabalho, para a
reprodução do mesmo e, acima de tudo, para o aperfeiçoamento do modelo, a partir do
ponto de parada do estudo em questão.
8.8
Implementação
Um ponto importante com relação à implementação, e que foi considerado no
desenvolvimento do presente trabalho, é a praticidade de implementação da sugestão de
melhoria. Se haverá vontade institucional de se implementar algum novo cenário,
conforme sugerido neste trabalho, esse é um assunto não cabe no presente estudo.
79
Entretanto, considera-se claramente exposto e justificado a proposição de novos
cenários para a execução do Projeto de levantamento de dados Geofísicos e
Geotécnicos para dutos submarinos com ganhos em prazo.
8.9
Análise dos resultados e conclusões para a produção das rodadas
Primeiramente, executou-se o cenário que representa o que seria um modelo estocástico
atual (modelo real atual do sistema) para a execução do projeto (rodada 1). Esse modelo
contempla todas as aleatoriedades e processos de decisões que foram mapeados e
descritos neste trabalho. Entretanto, é importante lembrar que essas aleatoriedades não
são, necessariamente, todas as aleatoriedades possíveis de existir no sistema real, mas
sim as que foram identificadas como as mais relevantes desse sistema. Observar que
essa configuração mostrou um tempo de projeto de 399.9 dias para a probabilidade
acumulada de realização de 100% e um tempo médio de projeto de 311 dias.
Posteriormente, seguiu-se com a execução das rodadas 2 e 3, apresentadas
exclusivamente no apêndice. As mesmas possuem natureza bastante determinística. O
intuito de ter-se realizado essas rodadas é de se entender como o modelo de Simulação
se comporta quando são reduzidas ou eliminadas as aleatoriedades mapeadas no
sistema. Na rodada 2, não há nenhum tipo de aleatoriedade envolvida. São atribuídos os
tempos das atividades com os seus respectivos valores de moda. Além disso, os
processos de decisões foram todos programados para aprovação em 100% das vezes.
Esse modelo previu um tempo de projeto de 285,08 dias. Já na rodada 3, a diferença é
que os processos de decisões seguem os critérios de aprovação conforme mapeados
neste trabalho. Esse último modelo é o que mais se aproximou do modelo de lógica
PERT/CPM da OIL & GAS Enterprise, tanto é que o mesmo forneceu uma previsão de
tempo médio de projeto de 289,65 dias, enquanto a ferramenta PERT/CPM previu 289,5
dias de projeto. Esse último é um dado de entrada para o presente estudo, assim como o
tempo real de projeto que foi de 334 dias.
Considerando esse tempo real de projeto, e com base no que fora até então discutido,
chega-se a uma conclusão notória: o tempo médio de projeto previsto pelo modelo de
Simulação do sistema estocástico atual (311 dias), com precisão estatística de 4,6 dias,
foi mais próximo ao prazo real do projeto, se comparado com a previsão feita pela
ferramenta PERT/CPM (289,5 dias) da Oil & Gas Enterprise.
80
Com as rodadas de 4 à 10, começou-se a estudar as variações dos fatores internos,
começando pela diferença entre instante de tempo de início entre águas rasas e
profundas, item 8.2. A configuração escolhida foi a rodada 6, dentre todas as
alternativas testadas das rodadas de 4 à 10, pois proporcionou o menor tempo médio de
projeto. Esse cenário representa uma configuração do sistema começando o trecho de
águas rasas do projeto conjuntamente com o trecho de águas profundas. O mesmo
seria um ponto de mínimo local, em comparação com as outras alternativas testadas, se
nenhuma outra configuração do modelo variar. Essa configuração representa um tempo
de projeto de 339,9 dias para a probabilidade acumulada de realização do projeto de
100%, já o seu tempo médio de projeto foi de 271, 49 dias. Essa configuração
apresentou um ganho de 39,51 dias de tempo médio de projeto em relação à
configuração da rodada 1. Por fim, uma informação relevante refere-se ao fato de que a
análise da rodada em questão mostrou que quanto mais sincronizados estão o início do
trecho de águas rasas e o de profundas, maior é o ganho em prazo.
Escolhido o cenário da rodada 6, buscou-se avaliar as alternativas referentes a adição de
recursos, ou seja, as rodadas de 11 à 21, item 8.3. O cenário da rodada 11 foi a
configuração escolhida, pois obteve-se o menor tempo médio de projeto dentre todas as
alternativas testadas com baixo custo de implantação. Essa rodada apresentou um tempo
de projeto de 329,9 dias para a probabilidade acumulada de realização de 100% e tempo
médio de projeto de 259,57 dias. Além disso, a mesma apresentou um ganho de 11,92
dias em relação ao cenário da rodada 6, até então o melhor cenário.
Apesar do ganho de prazo em várias rodadas simuladas em relação à configuração do
sistema atual, sugere-se a adoção das alternativas referentes à rodada 6 (começando
águas rasas junto com águas profundas) ou a rodada 11 (começando águas rasas junto
com águas profundas e uso de 1,5 EGF). Ambas as alternativas representam ganhos de
prazo em relação à rodada 1, com o diferencial de que para a alternativa da rodada 6, o
custo de implantação é zero, enquanto que para a alternativa referente à rodada 11, o
custo de implantação é baixo.
Encerrada a avaliação dos fatores internos e escolhido, até então, o melhor cenário
como sendo a rodada 11, iniciaram-se as rodadas para avaliação dos fatores externos.
Como não se obtiveram respostas para as causas do elevado tempo da atividade fazer
ensaios de laboratório para águas rasas, concentrou-se na realização de uma análise de
81
sensibilidade para essa atividade, item 8.4.1. Essa análise de sensibilidade testou a
influência do tempo pessimista e da moda dessa atividade no tempo médio de projeto.
Pela análise de sensibilidade realizada, conclui-se que o tempo médio de projeto é
apenas ligeiramente mais sensível a variações no tempo pessimista dessa atividade do
que na sua moda. Dessa forma, não há nenhum ganho expressivo quando atua-se na
redução do valor do tempo pessimista em detrimento da moda, ou vice e versa.
Com relação ao sistema em estudo, existe um equívoco não raro de ser cometido:
considerar que o tempo médio de projeto para uma rodada é, necessariamente, a soma
dos tempos médios dos trechos de projeto que compõem, em média, o caminho crítico
da rodada. A explicação para se evitar esse equívoco de interpretação é simples: ao
observar que uma rodada possui um caminho crítico, na média, lembrar que podem
existir replicações em que o caminho crítico não coincide com o caminho crítico médio
de toda a rodada. Nesse caso, o tempo médio de projeto pode ser maior do que a soma
do tempo médio de cada trecho do caminho crítico somado. A rodada 614, por exemplo,
apresenta essa situação.
Por fim, realizaram-se dois Testes de Hipóteses para a comparação de médias com
dados emparelhados. Um, comparando estatisticamente o resultado da rodada 6 em
relação à rodada 1. O outro, comparando a rodada 11 em relação à rodada 1. Para o
nível de significância de 5%, não há evidências estatísticas de que as medidas de
desempenho, tempo médio de projeto, para as rodadas 6 e 11 sejam iguais a medida de
desempenho da rodada 1. Ou seja, admite-se que o tempo médio de projeto para a
rodada 6 e para a rodada 11 são distintos do tempo médio de projeto da rodada 1.
14
Tempo de Geofísica de águas rasas (96,34 dias) + Tempo de Geotecnia de águas rasas (165,21 dias) =
Caminho crítico médio do projeto (261, 55 dias)
Tempo médio de projeto para a rodada = 271,49 dias
82
9. CONCLUSÕES
O uso da Simulação de Eventos Discretos se mostrou uma rica ferramenta para a análise
de cenários do projeto com foco em risco de prazo. Destaca-se a grande variedade de
aspectos do sistema real, que o modelo de Simulação (modelo matemático) foi capaz de
contemplar. Essa riqueza de aspectos pode ser “traduzida” pelas inúmeras
aleatoriedades do sistema real que foram consideradas no modelo de Simulação. A
capacidade de incorporação de inúmeros fenômenos aleatórios, como foi feito no
modelo de Simulação, é algo que ainda nenhuma ferramenta analítica em gerenciamento
de projetos é capaz de proporcionar. Por intermédio de uma curva de distribuição de
probabilidade acumulada do tempo de projeto em cada rodada, obteve-se um
instrumento consistente de avaliação e de comparação de cenários para a tomada de
decisão. Em suma, é possível obter-se a probabilidade acumulada de que o projeto seja
concluído em até certo prazo. Ou ainda, obter-se o prazo do projeto com 100% de
probabilidade de realização, conforme as considerações e aleatoriedades mapeadas no
sistema para este estudo.
Duas medidas de desempenho serviram para a avaliação e a comparação de cenários,
conforme os objetivos estabelecidos neste trabalho. Para o primeiro objetivo
estabelecido no trabalho, duas medidas de desempenho foram adotadas: tempo de
projeto para a probabilidade acumulada de realização de 100% e tempo médio de
projeto; a segunda medida de desempenho servindo apenas para o desempate entre dois
cenários. Com relação ao segundo objetivo, utilizou-se como medida de desempenho
apenas o tempo médio de projeto.
Com relação ao primeiro objetivo deste estudo, chegou-se a vários cenários (rodadas)
possíveis de operação do sistema, os quais representam reduções de prazo de projeto em
relação ao sistema atual. Esse último é representado pelo modelo estocástico atual
(rodada1). Entretanto, dois cenários são sugeridos como soluções finais para o sistema:
começando o trecho de águas rasas junto com o de águas profundas (rodada 6) e o
cenário começando o trecho de águas rasas junto com o de águas profundas e adição
de 1,5 engenheiro geotécnico final (rodada 11). Essas alternativas apresentam reduções
consideráveis no tempo de projeto em relação ao sistema atual, a custo zero, e a baixo
custo, respectivamente. Ou seja, exatamente conforme o primeiro objetivo. É bom
83
lembrar que ganhos em prazo a custo zero de implantação era algo que não se tinha
certeza no início deste trabalho, apenas se desejava.
Ainda em relação ao primeiro objetivo, observou-se uma questão a ser salientada. Ao
longo do presente trabalho, as atividades fazer ensaios de laboratório para águas rasas e
fazer ensaios de laboratório para águas profundas foram identificadas como os dois
grandes gargalos do sistema. Com o desenvolvimento dessa etapa do estudo, concluiuse que seria melhor focar exclusivamente na análise da atividade fazer ensaios de
laboratório para águas rasas. Como não se conseguiu identificar e atuar nas causas que
geram o elevado tempo de execução dessa atividade, não foi possível uma proposição
de intervenção nessa atividade, de maneira a reduzir o seu tempo de realização. Além
disso, a análise de sensibilidade realizada para essa atividade mostrou que variações da
moda e do tempo pessimista, referente ao tempo de realização dessa atividade, possuem
impactos similares no tempo de execução da atividade. Entretanto, surge um ponto de
alerta. Na única visita realizada à empresa subcontratada C – empresa que executa a
atividade fazer ensaios de laboratório para águas rasas – verificou-se que a operação de
cisalhamento direto, supostamente a operação mais demorada dentro da atividade fazer
ensaios de laboratório para águas rasas, estava com as suas quatro máquinas ociosas.
Esse contexto pode ser um ponto de intervenção, já que as máquinas que constituem as
operações críticas devem ser utilizadas, se possível, de maneira ininterrupta, para
melhor aproveitamento do tempo.
Ademais, com relação ao segundo objetivo deste trabalho, constatou-se que o tempo
real de projeto foi maior do que a previsão feita pela ferramenta PERT/CPM da Oil &
Gas Enterprise. Com isso, ao utilizar o modelo de Simulação para o estudo do sistema
atual, verificou-se que o modelo de Simulação forneceu uma previsão para o prazo do
projeto mais próxima ao prazo real, se comparado com a previsão realizada pela
ferramenta PERT/CPM. Além disso, a previsão feita pelo modelo de Simulação foi
obtida com boa precisão estatística.
Com relação ao uso do senso comum como ferramenta de tomada de decisão, o presente
trabalho sugere como esse tipo de prática pode levar a conclusões equivocadas. Uma
situação ilustra bem essa questão no presente trabalho: considerar que o tempo médio de
projeto de uma rodada é, necessariamente, a soma dos tempos médios dos trechos que
84
compõem, em média, o caminho crítico dessa rodada. Conforme visto no trabalho, essa
inferência pode estar equivocada, dependendo do cenário (rodada) em análise.
No que tange à modalidade de projeto propícia ao emprego da Simulação de Eventos
Discretos, pode-se dizer que o uso dessa metodologia seria muito bem vinda para o
gerenciamento de prazo de projetos repetitivos. Especialmente, daqueles que possuem
elevados riscos com impactos potencias em prazo. A característica de ser repetitivo é
desejável, na medida em que seria possível utilizar dados históricos para a modelagem
matemática de fenômenos aleatórios presentes no projeto. Além disso, um projeto
repetitivo possibilita que o conhecimento proveniente da experiência das pessoas
envolvidas com essa modalidade de projeto possa ser usado para a calibração do modelo
de Simulação. Dessa forma, aumentar-se-ia a precisão do que o modelo de Simulação
do sistema “estaria dizendo” em relação ao sistema real.
Por fim, surge uma questão eminente que provem dos estudos realizados neste trabalho,
constituindo-se, assim, um assunto motivador de pesquisas futuras. Será que um modelo
de Simulação sempre conseguiria prever o prazo de realização de um projeto melhor do
que uma ferramenta PERT/CPM? Isso poderia ser generalizado para quais tipos de
projeto? Nesse contexto, qual o papel a ser assumido pela Simulação?
85
10. REFERÊNCIAS BIBLIOGRÁFICAS
ABOURIZK, S.M., Wales, R.J., 1997, “Combined discrete-event/continuous simulation
for project planning”, Journal of Construction Engineering And Management, v.123,
nº1, pp.11-20.
ADLER, M.J., DOREN, C.V., 1972, How to Read a Book: The Classic Guide to
Intelligent Reading, New York, Touchstone Books.
ANTAKI, G.A, 2003, Piping and Pipeline Engineering: design, construction,
maintenance, integrity and repair. South Carolina, USA, Marcel Dekker.
ARAUJO, T.S., 2007, Um Plug-In Que Integra Um Simulador De Projetos A Uma
Ferramenta De Gerenciamento De Projetos. Graduação. Dissertação, Centro de
Informática, Universidade Federal de Pernambuco, Pernambuco, CE.
ARTTO, K.A., LEHTONEN, J.M., SARANEN, J., 2001, “Managing projects front-end:
incorporating a strategic early view to project management with simulation”,
International Journal of Project Management, v.19, pp. 255-264.
BAE, D.H., CHOI, K., 2009, “Dynamic Project Performance Estimation by Combining
Static Estimation Models with System Dynamics”, Information and Software
technology, v.51, pp.162-172.
BANKS, J., II CARSON, J.S., NELSON, B.L., et al, 2010, Discrete-Event System
Simulation, 5º ed, Upper Sandle River, New Jersey, Prentice Hall.
BARGSTÄDT, H.J., BLICKLING, A., 2005, “Determination of Process Durations on
Virtual Constructions Sites”.In: Proceedings of the 2005 Winter Simulation Conference,
pp.1549-1558.
BARROS, M.O., 2001, Gerenciamento De Projetos Baseado Em Cenários: Uma
Abordagem De Modelagem Dinâmica E Simulação. D.Sc. Dissertação, COPPE/UFRJ,
Rio de Janeiro, RJ.
86
BARROS, M.O., WERNER, C.M.L., TRAVASSOS, G.H., “Using Process Modeling
and Dynamic Simulation to Support Software Process Quality Management.”,
Computer Science Department – COPPE/UFRJ, Rio de Janeiro – RJ.
BEHZADAN, A.H., KAMAT, V.R., 2007, “Enabling Smooth and Scalable Dynamic
3D Visualization of Discrete-Event Construction Simulations in Outdoor Augmented
reality”. In: Proceedings of the 2007 Winter Simulation Conference, pp.2168-2176.
BEHZADAN, A.H., KAMAT, V.R., 2008, “Simulation and Visualization of traffic
Operations in Augmented Reality for Improved Planning and Design of Road
Construction Projects”. In: Proceedings of the 2008 Winter Simulation Conference,
pp.2447-2454.
BERNY, J., TOWNSEND, P.R.F., 1993, “Macrosimulation of Project Risks – A
Practical Way Forward”, International Journal of Project Management, v.11, nº4,
pp.201-208.
BOOTH, W.C., COLOMB, G.G., WILLIAMS, J.M., 2008, The Craft of Reaserch, 3rd
ed.Chicago, London, University of Chicago Press.
CATES, G.R, 2004, Improving Project Management with Simulation and Completion
Distribution Functions. PhD. Dissertation, University of Central Florida, Orlando,
Florida.
CHINBAT, U., TAKAKUWA, S., 2009, “Using Simulation Analysis for Mining
Project Risk Management”. In: Proceedings of the 2009 Winter Simulation Conference,
pp.2612-2623.
CHWIF, L., MEDINA, A.C, 2007, Modelagem e Simulação de Eventos Discretos,
Teoria & Aplicações, 2ºed. São Paulo, Bravarte.
COELHO, D., K., JACINTO, C.M.C., ROISENBERG, M., et al, 2005, “Risk
Assessment of Drilling and Completion Operations in Petroleum Wells Using a Monte
Carlo and Neural Network Approach”. In: Proceedings of the 2005 Winter Simulation
Conference, pp.1892-1897.
87
COR, H., Martinez, J.C., 1999, “A Case Study in the Quantification of a Change in the
Conditions of a Highway Construction Operation”. In: Proceedings of the 1999 Winter
Simulation Conference, pp.1007-1009.
DESCHAINE, L.M., PACK, S.R., ZAFRAN, F.A., et al, “Project Risk Quantifier And
Optimal Project Accelerator – Using Machine Learning And Stochastic Simulation To
Optimize Project Completion Dates And Costs”, Science Application International
Corporation.
DINSMORE, P.C., CAVALIERI, A., 2005, Como Se Tornar um Profissional em
Gerenciamento de Projetos: Livro-Base de Preparação para Certificação PMP, 2ºed.
Rio de Janeiro, Qualitymark.
DZENG, R.J., LEE, H.Y., 2007, “Optimizing the Development Schedule of Resort
Projects by Integrating Simulation and Genetic Algorithm”, International Journal of
Project Management, v.25, pp.506-516.
ECO, U., 2008, Como se faz uma Tese, 21 ed, São Paulo, Editora Perspectiva.
ELKJAER, M., 2000, “Stochastic Budget Simulation”, International Journal of Project
Management, v.18, pp.139-147.
FORD, D.N., STERMAN, J.D., “Overcoming the 90% Syndrome: Iteration
Management in Concurrent Development Projects”.
FORGIE, C., 2008, Discrete Event Simulation (DES) Modeling And Analysis For
Strategic Program Planning And Management. PhD. Dissertation, Department of
Industrial Engineering, University of Louisville, Louisville.
FREITAS FILHO, P.J., 2008, Introdução à Modelagem e Simulação de Sistemas com
Aplicações em Arena, 2º ed, Florianólpolis, Visual Books.
GAYWAL, L., 2004, “Quantitative Risk analysis for Project Management: A Critical
Review”, RAND working paper, The RAND Corporation, WR-112-RC, Santa Mônica,
Califórnia.
88
GONÇALVES, J.F., MENDES, J.J.M., RESENDE, M.G.C., 2008, “A Genetic
Algorithm for the Resource Constrained Multi-Project Scheduling Problem”, European
Journal of Operational Research, v.189, pp.1171–1190.
GOTTFRIED, B.S., 1984, Elements of Stochastic Process Simulation. New Jersey,
Prentice-Hall.
HAGA, W.A., 2001, “Crashing Pert Networks: A Simulation Approach”, In:
Proceedings of the International Conference of the Academy of Business and
Administrative Sciences Conferences, pp.1-15.
HERBERT, J.E., 1979, “Applications of Simulation in Project Management”. In:
Proceedings of the 1979Winter Simulation Conference, pp.211-219, Maryland.
HERROELEN, W., LEUS, R., 2004, “The Construction of Stable Project Baseline
Schedules”, European Journal of Operational Research, v.156, pp.550-565.
HERROELEN, W., LEUS, R., 2005, “Project Scheduling under Uncertainty: Survey
and Research Potentials”, European Journal of Operational Research, v.165, pp.289306.
HUANG, E., CHEN, S.G., 2006,“Estimation of Project Completion Time and Factors
Analysis for Concurrent Engineering Project Management”, Concurrent Engineering:
Research and Applications, v.14, nº 4, pp. 329-341.
IJMP, EDITORIAL, 2010, “Evolution of Project Management Research as Evidenced
by Papers Published in The International Journal of Project Management”, International
Journal of Project Management, v.28, pp.1-6.
JACINTO, C.M.C., 2002, “Discrete Event Simulation for the Risk of Development of
and Oil Field”. In: Proceedings of the 2002 Winter Simulation Conference, pp.15881592.
JAHANGIRIAN, M., ELDABI, T., NASEER, A. et al, 2010, “Simulation in
Manufacturing and Business: A Review”, European Journal of Operational Research,
v.203, pp.1-13.
89
KELTON, W.D., 2000, “Experimental Design for Simulation”. In: Proceedings of the
2000 Winter Simulation Conference, pp.32-38.
KELTON, W.D., SADOWSKI, R.P., SWETS, N.B., 2010, Simulation with Arena. 5º
ed. International Edition, New York, McGraw-Hill.
KE, H., LIU, B., 2005, “Project Scheduling Problem with Stochastic Activity Duration
Times”, Applied Mathematics and Computation, v. 168, pp.342–353.
KHOSHNEVIS, B., 1994, Discrete Systems Simulation. International Edition, Series in
Industrial Engineering and Management Science, Singapore, McGraw-Hill.
KLEIJNEN, J.P.C., 2001, “Experimental Design for Sensitivity Analysis of Simulation
Models”. In: Proceedings of the Eurosim 2001 Conference.
KOLLTVEIT, B.J., KARLSEN, J.T., GRONHAUG, K., 2007, “Perspectives on Project
Management”, International Journal of Project Management, v.25, pp.3-9.
KOUSKOURAS, K.G., GEORGIOU, A.C., 2007, “A Discrete Event Simulation Model
in the Case of Managing a Software Project”, European Journal of Operational
Research, v.181, pp.374-389.
KUHL, M.E., TOLENTINO-PEÑA, R.A., 2008, “A Dynamic Crashing Method for
Project Management Using Simulation-Based Optimization”. In: Proceedings of the
2008 Winter Simulation Conference, pp.2370-2376.
KURIHARA, K., NISHIUCHI, N., 2002, “Efficient Monte Carlo Simulation Method of
GERT-type Network for Project management”, Computers & Industrial Engineering,
v.42, pp.521–531.
KWAK, Y.H., INGALL, L., 2007, “Exploring Monte Carlo Simulation Applications for
Project Management”, Risk management, v.9, pp.44-57.
LAW, A.M., 2007, Simulation Modeling & Analysis. 4º ed. International Edition, New
York, McGraw-Hill.
90
LAWRENCE, F.P., COCHRAN, J.K., 1995, “A New Computational Approach for
Project Management Networks”, In: International Conference on Computers and
Industrial Engineering, v.29, nº1-4, pp.339-343.
LEE, D.E., 2005, “Probability of Project Completion Using Stochastic Project
Scheduling Simulation (SPSS)”, Journal of Construction Engineering and management,
ASCE, v.131, nº3 (fev), pp.310-318.
LEE, D.E., ARDITI, D., 2006, “Automated Statistical Analysis in Stochastic Project
Scheduling Simulation”, Journal of Construction Engineering and management, v.132,
nº3, pp. 268-277.
LEE, D.E., SHI, J.J., 2004, “Statistical Analysis for Simulating Schedule Network”. In:
Proceedings of the 2004 Winter Simulation Conference, pp.1283-1289.
LEE, S.H., MORA, F.P., 2005, “System Dynamics Approach for Error and Change
Management in Concurrent Design and Construction”. In: Proceedings of the 2005
Winter Simulation Conference, pp.1508-1514.
LEE, S.H., PEÑA-MORA, F., PARK, M., 2006, “Dynamic Planning and Control
Methodology for Strategic and Operational Construction Project Management”,
Automation in Construction, v.15, pp.84-97.
MCCABE, B., 2003, “Monte Carlo Simulation for Schedule Risks”. In: Proceedings of
the 2007 Winter Simulation Conference, pp.1561-1565.
MEREDITH, J.R., MANTEL, S.J., 2000, Administração de Projetos: Uma Abordagem
Gerencial, 4ºed. Jonh Wiley & Sons.
MOELLER, G.L., DIGMAN, L.A., 1981, “Operations Planning with VERT”,
Operations Research, v.29, nº4, p.676.
MONGALO, M.A., LEE, J., 1990, “A Comparative Study of Methods for Probabilistic
Project Scheduling”, In: International Conference on Computers and Industrial
Engineering, v.19, nº1-4, pp.505-509.
NANCE, R.E., SARGENT, R.G., 2002, “Perspectives on the Evolution of Simulation”,
Operations Research, INFORMS, v.50, nº1, pp. 161 -172.
91
NETO, P.L.O.C, 2002, Estatística, 2 ed, Edgard Blücher, São Paulo.
OAKSHOTT, L., 1997, Business Modelling and Simulation. 1 ed. London, Pitman
Publishing.
OTTJES, J.A., VEEKE, H.P.M., 2000, “Project Management with Simulation: critical
view on the critical path”. In: Proceedings of the ICSC Symposia on Intelligent System
& Applications, Wollongong, Australia, Dec. ISBN-3-906454-24-X.
PALMER, A.C, KING, R.A., 2008, Subsea Pipeline Engineering, 2nd ed. Oklahoma,
Penn Well.
PIDD, M., 2004, Computer Simulation in Management Science. 5 ed. Chichester, Jonh
Wiley & Sons.
PROJECT MANAGEMENT INSTITUTE, 2004, ANSI/PMI 99-001-2004, Um Guia do
Conjunto de Conhecimentos em Gerenciamento de Projetos: Guia PMBOK. 3ºed.
Newton Square, Pennsylvania.
RAFFO, D., HARRISON, W., “Combining Process Feedback with Discrete Event
Simulation Models to Support Software Project Management”.
RODRIGUES, A., BOWERS, J., 1996, “The Role of System Dynamics in Project
Management”, International Journal of Project Management, v.14, nº4, pp.213-220.
SILVA, L.B.G., 2009, “Utilização de Simulação e Análise de Superfície de Resposta
FUZZY na Minimização de Recursos em Projetos não Repetitivos”. In: SPOLM 2009,
PP.1-13.
SIMMONS, L., 2002, “Project Management – Critical Path Method (CPM) and PERT
Simulated with Processmodel”. In: Proceedings of the 2002 Winter Simulation
Conference, pp.1786-1788.
SOARES, L.F.G., 1992, Modelagem e Simulação Discreta de Sistemas. Rio de Janeiro,
Editora Campus.
92
SRISUWANRAT, C., IOANNOU, P.G., 2007, “Optimal Scheduling of Probabilistic
Repetitive Projects Using Completed Unit and Genetic Algorithms”. In: Proceedings of
the 2007 Winter Simulation Conference, pp.2151-2158.
SU, C.T., SANTORO, M.C., 2006,“Gerenciamento de Risco de Prazo”, In: Encontro
Nacional de Engenharia de Produção, pp.1-10, Fortaleza, CE, Brasil, outubro.
TAVARES, L.V., 2002, “A Review of the Contribution of Operational Research to
Project Management”, European Journal of Operational Research, v.136, pp.1-18.
TRAVASSOS, P.R.N., KIENBAUM, G.S., “Gerenciamento de Projetos e Simulação de
Processos: Uma Abordagem Integrada.”, Laboratório de Computação e Matemática
Aplicada, Instituto de Pesquisas Espaciais (INPE), São José dos Campos – SP.
VAN DORP, J.R., DUFFEY, M.R., 1999, “Statistical Dependence in Risk Analysis for
Project Networks Using Monte Carlo Methods”, International Journal of Production
Economics, v.58, pp.17-29.
VONDER, S.V., BALESTÍN, F., DEMEULEMEESTER, E., et al, 2007, “Heuristic
Procedures for Reactive Project Scheduling”, Computers & Industrial Engineering,
v.52, pp.11–28.
WANG, W.C., 2005, “Impact of Soft Logic on the Probabilistic Duration of
Construction Projects”, International Journal of Project Management, v.23, pp.600610.
WILLIAMS, T., 2003, “The Contribution of Mathematical Modelling to the Practice of
Project Management”, Management Science: Theory, Method & Practice, 2003-4, pp.141.
WILLIAMS, T.M., 2000, “Safety Regulation Changes During Projects: The Use of
System Dynamics to Quantify the Efects of Change”, International Journal of Project
Management, v.14, pp.23-31.
WILLIANS, T., 1995, “A Classified Bibliography of Recent Research Relating to
Project Risk Management”, European Journal of Operational Research, v.85, pp.18-38.
93
11. APÊNDICES
A.1 Descrição das etapas de um estudo de Simulação.
Segue abaixo uma descrição detalhada do que se entendeu como sendo o melhor de
cada definição das etapas de um estudo de Simulação:
1. Formulação do problema: Conforme o próprio nome diz, consiste em se definir com
acurácia e clareza o problema prático que se deseja solucionar. Entretanto, é bom
lembrar que raramente o problema se apresenta claramente definido no início pelo
cliente (o que possui o problema), exigindo grande esforço do analista de Simulação na
caracterização e descrição do problema. Inclusive, é comum que a formulação do
problema sofra revisões conforme o estudo avança. Por isso, é fundamental a presença e
concordância do cliente com as sucessivas reformulações.
2. O estabelecimento dos objetivos e planejamento geral do projeto: Os objetivos
devem ser estabelecidos de maneira a “conversar” com o problema conforme
formulado. Também devem indicar as perguntas que devem ser respondidas via o
estudo de Simulação. Entretanto, é importante todo um cuidado para não se estabelecer
objetivos conflitantes. Nessa etapa, deve-se definir se a Simulação é, de fato, a
metodologia adequada para o problema, conforme formulado, e para os objetivos
conforme declarados. Definido que a Simulação é a metodologia a ser utilizada, o
planejamento geral do projeto deve declarar as possíveis alternativas de funcionamento
do sistema e o método de avaliação da efetividade dessas alternativas. Além disso,
deve-se estimar o número de pessoas necessárias a serem envolvidas no estudo, o custo
do estudo, o prazo para cada etapa do estudo, juntamente com os resultados esperados
em cada etapa.
3. Conceitualização do modelo: É a construção do modelo conceitual que representará o
sistema em estudo. É tida como uma mistura de arte e de ciência, haja vista que não há
uma receita universal e infalível para essa etapa. Contudo, existem algumas regras ou
diretrizes que costumam produzir bons resultados. Em especial, considerar que a arte da
modelagem é tão mais bem sucedida quanto maior for a capacidade do analista de
Simulação em perceber as características mais fundamentais e representativas de um
sistema. Isso inclui, é claro, a capacidade de se modificar hipóteses a respeito do
94
sistema, até que o modelo forneça uma representação satisfatória do sistema real. São
as definições das estruturas fundamentais e conceituais do sistema real a serem
consideradas no modelo.
Nessa etapa, é levantada uma relação de atividades, de
eventos e de entidades relevantes envolvidas no modelo e se defini os limites do sistema
o qual se está estudando. Isso inclui observar as hipóteses que estão sendo consideradas,
lembrando da filosofia de quanto mais simplista o modelo, melhor, desde que, é claro, o
mesmo não perca aderência com a realidade. A participação do cliente é muito
recomendada nessa etapa.
4. Coleta de dados: Deve ser um processo contínuo e ocorrer em paralelo ao
desenvolvimento do modelo, pois, conforme a complexidade do mesmo mudar, pode
ser necessária a coleta de mais dados. Como é uma etapa trabalhosa, deve ser iniciada
tão cedo quanto possível. Entretanto, deve-se ter muito critério e cuidado ao executá-la:
lembrando do dito “garbage in, garbage out” (se coletar “lixo”, o modelo mostrará
“lixo”). Ou seja, se ocorrer uma coleta de dados incorreta, certamente os resultados do
modelo simulado não vão ser aderentes com a realidade, e para nada vão servir.
5. Tradução do modelo: Consiste na “tradução” do modelo conceitual (modelagem) em
uma linguagem de programação, de Simulação, ou até mesmo na utilização de um
simulador computacional para se representar, computacionalmente, o modelo. Os
pacotes comerciais de Simulação são os mais utilizados, pois a construção de um
modelo de Simulação via programação pode consumir um tempo intolerável. Além
disso, os softwares de Simulação possuem cada vez mais flexibilidade de modelagem.
6. Verificação: Essa etapa está relacionada com a implementação computacional do
modelo. A mesma pode ser definida como uma atividade de se descobrir os possíveis
bugs que eventualmente estejam presentes, após a implementação computacional do
modelo. Se os parâmetros de entrada do modelo e a estrutura lógica estão corretamente
representados, a etapa de verificação encerra-se.
7. Validação: A validação do modelo conceitual é uma tarefa inversa ao da modelagem.
Enquanto que na modelagem tentamos enxergar o mundo real e traduzi-lo em um
modelo; na Validação, olhamos o modelo e tentamos enxergar se o mesmo está
representando satisfatoriamente o sistema real, principalmente nos seus aspectos mais
relevantes. A validação é alcançada com a calibração do modelo, ou seja, com uma
95
atividade interativa de comparar os resultados do modelo com o sistema real. Esse
processo é repetido até que a acurácia do modelo for julgada como aceitável.
8. Projeto de Experimentos: É a etapa em que se precisa projetar um conjunto de
experimentos, para se obter as informações adequadas, a fim de subsidiar conclusões
com o menor número possível de experimentos. É fundamental a definição de
informações como: as alternativas a serem simuladas, o tempo de “warm up” 15 (se
necessário), o tempo de Simulação das rodadas16, o número de replicações17 para cada
rodada, a medida de desempenho do sistema, a determinação dos principais fatores
associados aos experimentos, os níveis associados a cada fator no experimento, etc.
9. Produção das Rodadas e Análise dos resultados: É a etapa18 em que ocorrem as
experimentações e a análise das alternativas de operação do sistema, tendo por base a(s)
medida(s) de desempenho que “traduzem” os objetivos do estudo de Simulação. É a
fase de estudo de cenários (alternativas) para a execução do modelo, para que se
entenda o seu comportamento, a fim de se inferir sobre o comportamento do sistema
real. Essa etapa fornece subsídio numérico19, por meio das medidas de desempenho,
para a escolha de cenários e reformulações de operação do sistema, com o objetivo de se
eliminar o problema inicial. É comum o uso de muitas ferramentas estatísticas, como
15
Warm up é o período transiente em que um sistema está submetido.
16
Refere-se ao que ocorre quando acionamos o comando que executa a simulação CHWIF (2007).
17
Replicação é uma repetição da simulação do modelo, com a mesma configuração, a mesma duração, e
com os mesmos parâmetros de entrada, mas com uma semente de números aleatórios diferentes. A cada
replicação, os valores de saída são diferentes, já que os números pseudo-aleatórios gerados também o são
CHWIF (2007).
18
Nessa etapa, já é preciso ter sido definida, e de maneira muito criteriosa, a(s) medida(s) de desempenho
que deve representar os objetivos que motivaram a criação do modelo de Simulação.
19
Em cada replicação, de uma certa rodada, a medida de desempenho assumi, em princípio, valores
distintos. No final da rodada, é apresentada uma média para a medida de desempenho, composta pelos
valores da medida de desempenho obtidos em cada replicação. Em princípio, de rodada para rodada, a
média da medida de desempenho assumi valores distintos. A escolha do cenário a ser adotado está
normalmente baseada na comparação entre as médias das medidas de desempenho de cada rodada.
96
intervalos de confiança e testes de hipóteses, a fim de se comparar e fazer escolhas entre
cenários alternativos.
10. Rodadas adicionais: Feita a análise dos resultados das rodadas executadas, o
analista determina se são necessárias mais rodadas de algum cenário a ser simulado.
11. Documentação e Relatório: Essa etapa é composta de dois tipos de documentação: a
do modelo (programa ou software) e a do progresso do estudo. A documentação do
modelo é necessária em função de várias razões: re-utilização do modelo pelo mesmo
analista, ou por outro; facilitar o aproveitamento desse modelo por outros usuários, para
outros fins; facilitar o entendimento das relações entre os parâmetros de entrada e os de
saída, principalmente em estudos em que se busca identificar quais parâmetros têm
maior influência nos resultados de saída. No caso da documentação do progresso do
estudo, essa é uma etapa em que se registram, de maneira organizada e o mais detalhada
possível, todos as fases que compuseram o estudo de Simulação. Segundo CHWIF
(2007), existem três grandes razões para que essa etapa seja muito bem executada: a
primeira razão é que quando um projeto é mal documentado, isso dificulta o
entendimento das conclusões, assim como compromete a credibilidade das mesmas; a
segunda razão é que uma boa documentação é sempre necessária para o processo de
verificação e de validação, principalmente quando isso é feito por pessoas externas ao
projeto; a terceira razão é que um projeto bem documentado representa a possibilidade
de retomá-lo e aprimorá-lo.
12. Implementação: Consiste no quanto os estudos realizados servirão de base para
ações práticas. Depende de inúmeros fatores, mas principalmente da qualidade com que
foram desenvolvidas todas as etapas anteriores, além do envolvimento do cliente.
Quando esse envolvimento não ocorre, dificilmente a implementação é feita na sua
plenitude e com confiança por parte do cliente.
97
A.2 Projeto de Experimentos Estatístico com Simulação
Segundo KELTON (2000), entender o comportamento de um sistema via modelo de
Simulação por tentativa e erro é um meio muito ineficiente de se estudar as
características fundamentais desse sistema. Nesse contexto, o Projeto de Experimento
Estatístico com Simulação apresenta-se como uma ferramenta muito útil,
principalmente nos estágios iniciais de um estudo de Simulação, quando não se sabe, a
principio, quais fatores mais influenciariam a variável resposta do modelo (LAW,
2007). Dessa forma, o principal objetivo de um Projeto de Experimento Estatístico
com Simulação é saber o quão sensível é a variável resposta do modelo de Simulação
em relação a variações nos níveis dos fatores escolhidos para essa análise. Assim,
procura-se um insight (um panorama) de como o sistema irá se comportar com a
produção das rodadas, propriamente ditas, segundo o nível dos fatores recomendados
pelos resultados do Projeto de Experimento Estatístico com Simulação. Uma grande
vantagem dessa metodologia é que pode ser aplicada em qualquer modelo de
Simulação; seja determinístico, estocástico, em regime transiente ou em permanente
(KLEIJNEN, 2001).
Assim, KELTON (2000) recomenda enxergar um modelo de Simulação de um sistema
como uma função matemática em que se relacionam certos inputs (fatores de entrada)
com um output (saída ou variável de resposta). Ou mais ainda, às vezes é útil enxergar
um modelo de Simulação como um conjunto de funções em que um outputi é uma
medida
(
de
desempenho
do
sistema
relacionada
como
os
imputj
é ), conforme funções abaixo:
Output1 = f1 (Imput1, Imput2, ...)
Output2 = f2 (Imput1, Imput2, ...)
A razão de se interpretar um modelo de Simulação segundo essa visão, sugerida por
KELTON (2000), refere-se ao fato de que num estudo de Simulação sempre se busca
entender qual é o grau de influência na variável resposta quando se alteram os fatores
que se julgam relevantes. Ou seja, é como o estudo de funções matemáticas em que se
buscam máximos e mínimos locais. Se as funções matemáticas fossem conhecidas, com
os seus respectivos parâmetros, seria imediato entender qual o grau de influência de um
98
fator na variável resposta do modelo de Simulação. Entretanto, se essa função fosse, a
princípio, conhecida, não haveria razão ou necessidade de se estudar esse sistema via
modelo de Simulação. E, nesse caso, o estudo sobre quais fatores seriam mais
influenciáveis na variável resposta do sistema seria de conclusões imediatas. Mas,
obviamente, essas funções não são conhecidas a princípio.
Contudo, existem diversas maneiras de se estimar o quão a variável resposta de um
modelo de Simulação se comporta quando se variam os fatores do modelo que se
julgam relevantes. Isso, mesmo se essa(s) suposta(s) função(s) matemática(s) que
representam o sistema não seja(m) conhecida(s). Uma dessas técnicas é o Projeto de
Experimentos Estatístico com Simulação. No estudo em questão, iremos executar
projeto de experimentos do tipo
(FREITAS FILHO, 2008).
Apenas por uma questão de didática, apresentaremos os principais conceitos necessários
para o entendimento do Projeto de Experimentos Estatístico com Simulação
,
utilizado no presente trabalho, com um projeto de experimentos
mais simples de se entender
. Para ilustrar os conceitos, mostremos o
projeto de experimentos, conforme a Tabela 20:
Tabela 20 – Projeto de Experimento Estatístico com Simulação 2k x r
99
Como exemplo, tomemos o estudo da influência do fator A. Por definição, a influência
de um fator na variável resposta de um modelo é definida como a média da diferença
na variável resposta quando esse fator varia do estado inicial (-1) para o estado final
(+1), ver expressão (1). Esse resultado, por propriedade, pode ser obtido multiplicandose a coluna do fator com a coluna da variável resposta, linha por linha, somando-se as
parcelas e dividindo o resultado por 2k-1 (LAW, 2007), ver expressão (2). Uma segunda
maneira de se definir a influência de um fator na variável resposta é multiplicando-se a
coluna do fator com a coluna da variável resposta, linha por linha, somando-se as
parcelas e dividindo o resultado por 2k (FREITAS FILHO, 2008), ver expressão (3).
Ou, por propriedade:
Ou, pela segunda definição:
Outra definição importante é quando a influência de uma variável depende do nível em
que está uma outra variável. Nesse caso, dizemos que há uma interação entre essas
variáveis. A descoberta dessas interações é de muita relevância em um estudo de
Simulação.
Dessa forma, tomando como exemplo o mesmo projeto de experimentos anterior, a
medida de interação entre dois fatores A e C, por exemplo, é obtida com a diferença do
efeito médio do fator A quando o fator C está no nível “+” (estando todos os outros
fatores além do A e do C constantes) pelo efeito médio do fator A quando o fator C está
no nível “–“. Por definição, chamamos efeito de interação entre dois fatores como
sendo a medida de interação anterior dividida por dois (LAW, 2007), ver expressão (4).
Esse efeito representaremos por eAC. Além disso, é possível demonstrar que eAC = eCA.
Uma propriedade imediata decorrente é que os sinais da coluna AC são obtidos com a
multiplicação dos sinais da coluna A pela C (LAW, 2007).
100
Da mesma forma que o cálculo do efeito de um fator principal, existe uma maneira
prática de se calcular o efeito de uma interação. Esse efeito pode ser obtido
multiplicando-se a coluna da interação com a coluna da variável resposta, linha por
linha, somando-se as parcelas e dividindo o resultado por 2k-1 (LAW, 2007), ver
expressão (5). Uma segunda maneira de se definir o efeito de uma interação entre dois
fatores na variável resposta é multiplicando-se a coluna da interação com a coluna da
variável resposta, linha por linha, somando-se as parcelas e dividindo o resultado por 2k
(FREITAS FILHO, 2008), ver expressão (6). Como exemplo, o efeito de interação entre
o fator A e C seria:
Ou, por propriedade:
Ou, pela segunda definição:
Por definição, o grau de explicação da variável resposta por um fator pode ser
obtido pela razão entre o somatório do quadrado do efeito do fator, ao longo de todas as
rodadas e respectivas replicações, pela soma total dos quadrados dos efeitos dos fatores,
interações e erros (FREITAS FILHO, 2008). Por exemplo, para o cálculo do grau de
explicação da variável resposta pelo fator A, ver expressões de (7) à (14).
Assim, definamos que:
ú
ú
çõ
é
101
çõ
Então, por definição temos:
Grau de explicação da variável resposta pelo fator A = SQA/SQT; (14)
Grau de explicação da variável resposta pelo fator B = SQB/SQT; (15)
Grau de explicação da variável resposta pelo fator C = SQC/SQT; (16)
Grau de explicação da variável resposta pela interação do fator
A com C = SQAC/SQT (17)
Grau de explicação da variável resposta pelos erros experimentais = SQErros/SQT (18)
Baseado na apresentação dos conceitos acima, segue uma breve memória de cálculo
para o Projeto de Experimentos Estatístico com Simulação
,
utilizado nesse trabalho para fatores internos. Serão apresentados os cálculos
somente para o projeto de experimentos para fatores internos, já que a metodologia de
102
cálculo é análoga para o Projeto de Experimentos Estatístico com Simulação para
fatores externos.
No caso, o Ymédio é a variável resposta para uma rodada, correspondendo a média de 3
replicações para cada rodada. Utilizaremos os conceito de FREITAS FILHO (2008),
tanto para o efeito de um fator, quanto para o efeito de uma interação entre dois fatores
na variável resposta, conforme visto anteriormente. Assim, o efeito de cada fator (ou
interação) será obtido com o produto de sua coluna de sinais com a coluna do Y médio e
esse resultado será dividido por 2k ( no caso, k = 5 então, 25=32), a segunda definição.
Efeito do fator A = -26, 1467/32 = - 0,8171 (última linha na coluna A)
Grau de explicação da variável resposta (Ymédio) pelo fator A = SQA/SQT = 0,04%
Efeito do fator B = -302,2800/32 = - 9,4462 (última linha na coluna B)
Grau de explicação da variável resposta (Ymédio) pelo fator B = SQB/SQT = 5,78%
Efeito do fator C = -666,2800/32 = - 20,8213 (última linha na coluna C)
Grau de explicação da variável resposta (Ymédio) pelo fator C = SQC/SQT = 28,10%
103
Efeito do fator D = -431,4400/32 = - 13,4825 (última linha na coluna D)
Grau de explicação da variável resposta (Ymédio) pelo fator D = SQD/SQT = 11,78%
Efeito da interação AC = -18,24/32= - 0,5700 (última linha na coluna AC)
Grau de explicação da variável resposta (Ymédio) pela interação AC = SQAC/SQT =
0,01%
104
A.3 Estatísticas e gráfico de probabilidade para as rodadas
A.3.1
Rodada 2 – Modelo determinístico total
Esse cenário, ou rodada, foi construído atribuindo-se como tempo para as atividades do
projeto os valores de suas respectivas modas, conforme tabela 3. Além disso, os
processos de decisões foram configurados para aprovação em 100% dos casos. Como
exemplo, ao checar na etapa de decisão sobre OK do relatório de Geotecnia na revisão
0, o sistema foi configurado para aprovação em 100% dos casos. Ou seja, nenhuma
aleatoriedade é considerada nesse modelo. A Tabela 21 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 21 – Especificado pelo usuário para a rodada 2
O Gráfico 18 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 2. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
105
Gráfico 18 – Probabilidade acumulada de realização do projeto para rodada 2
106
A.3.2
Rodada 3 – Modelo determinístico no tempo
Esse cenário foi construído atribuindo-se como tempo para as atividades do projeto os
valores de suas respectivas modas, conforme tabela 3. Além disso, os processos de
decisões foram configurados para ocorrerem conforme a referida tabela e aleatoriedades
consideradas no item coleta de dados. Deve-se notar que o tempo médio de projeto
obtido foi de 289,65 dias, muito próximo ao valor de 289,5 dias previsto na ferramenta
PERT/CPM utilizada no planejamento do projeto, internamente na Oil& Gás Enterprise.
A Tabela 22 abaixo apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 22 – Especificado pelo usuário para a rodada 3
O Gráfico 19 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 3. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
107
Gráfico 19 – Probabilidade acumulada de realização do projeto para rodada 3
108
A.3.3
Rodada 4 – Modelo começando o trecho de águas profundas 14
dias antes de águas rasas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando o início de águas profundas 14 dias antes do início de águas rasas. Essa é
a única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 32,37 dias (311,00 – 278,63). A Tabela 23 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 23 – Especificado pelo usuário para a rodada 4
O Gráfico 20 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 4. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
109
Gráfico 20 – Probabilidade acumulada de realização do projeto para a rodada 4
110
A.3.4
Rodada 5 – Modelo começando o trecho de águas profundas 7
dias antes de águas rasas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando o início de águas profundas 7 dias antes do início de águas rasas. Essa é a
única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 36,95 dias (311,00 – 274,05). A Tabela 24 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 24 – Especificado pelo usuário para a rodada 5
O Gráfico 21 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 5. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
111
Gráfico 21 – Probabilidade acumulada de realização do projeto para a rodada 5
112
A.3.5
Rodada 6 – Modelo começando o trecho de águas rasas junto com
águas profundas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando um início conjunto do trecho de águas profundas e de águas rasas. Essa é
a única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 39,51 dias (311,00 - 271,49). A Tabela 25 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 25 – Especificado pelo usuário para a rodada 6
O Gráfico 22 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 6. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
113
Gráfico 22 – Probabilidade acumulada de realização do projeto para a rodada 6
114
A.3.6
Rodada 7 – Modelo começando o trecho de águas rasas 7 dias
antes de águas profundas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando o início de águas rasas 7 dias antes do início de águas profundas. Essa é a
única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 36, 44 dias (311,00 – 274,56). A Tabela 26 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 26 – Especificado pelo usuário para a rodada 7
O Gráfico 23 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 7. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
115
Gráfico 23 – Probabilidade acumulada de realização do projeto para a rodada 7
116
A.3.7
Rodada 8 – Modelo começando o trecho de águas rasas 14 dias
antes de águas profundas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando o início de águas rasas 14 dias antes do início de águas profundas. Essa é
a única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 32,36 dias (311,00 –278,64). A Tabela 27 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 27 – Especificado pelo usuário para a rodada 8
O Gráfico 24 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 8. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
117
Gráfico 24 – Probabilidade acumulada de realização do projeto para a rodada 8
118
A.3.8
Rodada 9 – Modelo começando o trecho de águas rasas 20 Dias
antes de águas profundas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando o início de águas rasas 20 dias antes do início de águas profundas. Essa é
a única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 26,2 dias (311,00 – 284,80). A Tabela 28 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 28 – Especificado pelo usuário para a rodada 9
O Gráfico 25 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 9. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
119
Gráfico 25 – Probabilidade acumulada de realização do projeto para a rodada 9
120
A.3.9
Rodada 10 – Modelo começando o trecho de águas rasas 60 dias
antes de águas profundas
Esse item representa os resultados obtidos da Simulação para o modelo estocástico
considerando o início de águas rasas 60 dias antes do início de águas profundas. Essa é
a única alteração realizada em relação ao modelo estocástico atual, rodada 1 (que
considera o início de águas profundas 60 dias antes de águas rasas). Com relação ao
modelo estocástico atual, houve uma redução no tempo médio previsto para a realização
do projeto de 4,92 dias (311,00 – 306,08). A Tabela 29 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 29 – Especificado pelo usuário para a rodada 10
O Gráfico 26 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 10. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
121
Gráfico 26 – Probabilidade acumulada de realização do projeto para a rodada 10
122
A.3.10
Rodada 11 – Modelo com 1,5 EGF
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas e aumenta-se o número de EGFs
envolvidos no projeto de 1 para 1,5 (um EGF com dedicação integral e outro com
dedicação de 50% do seu tempo ao projeto). Podemos observar que esse cenário
proporciona um ganho com relação a rodada 6 de 11,92 dias para o tempo de projeto
(271,49 – 259,57). A Tabela 30 abaixo apresenta as principais estatísticas para essa
rodada de Simulação.
Tabela 30 – Especificado pelo usuário para a rodada 11
O Gráfico 27 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 11. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
123
Gráfico 27 – Probabilidade acumulada de realização do projeto para a rodada 11
124
A.3.11
Rodada 12 – Modelo com 2 EGF
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas e aumenta-se o número de EGFs
envolvidos no projeto de 1 para 2. Podemos observar que esse cenário proporciona um
ganho com relação a rodada 6 de 17,35 dias para o tempo de projeto (271,49 – 254,14).
A Tabela 31 abaixo apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 31 – Especificado pelo usuário para a rodada 12
O Gráfico 28 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 12. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
125
Gráfico 28 – Probabilidade acumulada de realização do projeto para a rodada 12
126
A.3.12
Rodada 13 – Modelo com 3 EGF
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas e aumenta-se o número de EGFs
envolvidos no projeto de 1 para 3. Podemos observar que esse cenário proporciona um
ganho com relação a rodada 6 de 22,54 dias para o tempo de projeto (271,49 – 248,95).
A Tabela 32 abaixo apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 32 – Especificado pelo usuário para a rodada 13
O Gráfico 29 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 13. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
127
Gráfico 29 – Probabilidade acumulada de realização do projeto para a rodada 13
128
A.3.13
Rodada 14 – Modelo com 1,5 EGF e 1,5 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de EGF envolvidos no projeto de 1 para 1,5 e aumenta-se o número de GE de 1
para 1,5 GE . Podemos observar que esse cenário proporciona um ganho com relação a
rodada 6 de 22,03 dias para o tempo de projeto (271,49 – 249,46). A Tabela 33 abaixo
apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 33 – Especificado pelo usuário para a rodada 14
O Gráfico 30 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 14. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
129
Gráfico 30 – Probabilidade acumulada de realização do projeto para a rodada 14
130
A.3.14
Rodada 15 – Modelo com 1,5 EGF e 2 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de EGF envolvidos no projeto de 1 para 1,5 e aumenta-se o número de GE de 1
para 2 GE . Podemos observar que esse cenário proporciona um ganho com relação a
rodada 6 de 24,73 dias para o tempo de projeto (271,49 – 246,76). A Tabela 34 abaixo
apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 34 – Especificado pelo usuário para a rodada 15
O Gráfico 31 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 15. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
131
Gráfico 31 – Probabilidade acumulada de realização do projeto para a rodada 15
132
A.3.15
Rodada 16 – Modelo com 1,5 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de GE de 1 para 1,5 GE, sendo o número de EGF é igual a 1. Podemos observar
que esse cenário proporciona um ganho com relação a rodada 6 de 10,52 dias para o
tempo de projeto (271,49 – 260,97). A Tabela 35 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 35 – Especificado pelo usuário para a rodada 16
O Gráfico 32 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 16. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
133
Gráfico 32 – Probabilidade acumulada de realização do projeto para a rodada 16
134
A.3.16
Rodada 17 – Modelo com 2 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de GE de 1 para 2 GE, sendo o número de EGF é igual a 1. Podemos observar
que esse cenário proporciona um ganho com relação a rodada 6 de 13,25 dias para o
tempo de projeto (271,49 – 258,24). A Tabela 36 abaixo apresenta as principais
estatísticas para essa rodada de Simulação.
Tabela 36 – Especificado pelo usuário para a rodada 17
O Gráfico 33 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 17. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
135
Gráfico 33 – Probabilidade acumulada de realização do projeto para a rodada 17
136
A.3.17
Rodada 18 – Modelo com 2 EGF e 1,5 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de EGF envolvidos no projeto de 1 para 2 e aumenta-se o número de GE de 1
para 1,5 GE . Podemos observar que esse cenário proporciona um ganho com relação a
rodada 6 de 27,42 dias para o tempo de projeto (271,49 – 244,07). A Tabela 37 abaixo
apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 37 – Especificado pelo usuário para a rodada 18
O Gráfico 34 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 18. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
137
Gráfico 34 – Probabilidade acumulada de realização do projeto para a rodada 18
138
A.3.18
Rodada 19 – Modelo com 2 EGF e 2 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de EGF envolvidos no projeto de 1 para 2 e aumenta-se o número de GE de 1
para 2 GE . Podemos observar que esse cenário proporciona um ganho com relação a
rodada 6 de 30,06 dias para o tempo de projeto (271,49 – 241,43). A Tabela 38 abaixo
apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 38 – Especificado pelo usuário para a rodada 19
O Gráfico 35 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 19. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
139
Gráfico 35 – Probabilidade acumulada de realização do projeto para a rodada 19
140
A.3.19
Rodada 20 – Modelo com 3 EGF e 1,5 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de EGFs envolvidos no projeto de 1 para 3 e aumenta-se o número de GE de 1
para 1,5 GE . Podemos observar que esse cenário proporciona um ganho com relação a
rodada 6 de 32,45 dias para o tempo de projeto (271,49 – 239,04). A Tabela 39 abaixo
apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 39 – Especificado pelo usuário para a rodada 20
O Gráfico 36 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 20. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
141
Gráfico 36 – Probabilidade acumulada de realização do projeto para a rodada 20
142
A.3.20
Rodada 21 – Modelo com 3 EGF e 2 GE
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas. Além disso, aumenta-se o
número de EGFs envolvidos no projeto de 1 para 3 e aumenta-se o número de GE de 1
para 2 GE . Podemos observar que esse cenário proporciona um ganho com relação a
rodada 6 de 35,04 dias para o tempo de projeto (271,49 – 236,45). A Tabela 40 abaixo
apresenta as principais estatísticas para essa rodada de Simulação.
Tabela 40 – Especificado pelo usuário para a rodada 21
O Gráfico 37 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 21. As colunas Cell Limits fornecem os limites inferior e superior para as classes
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
143
Gráfico 37 – Probabilidade acumulada de realização do projeto para a rodada 21
144
A.3.21
Rodada 22 – Modelo estocástico com redução do tempo de fazer
ensaios de laboratório para águas rasas
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas e aumenta-se o número de EGFs
envolvidos no projeto de 1 para 1,5 (um EGF com dedicação integral e outro com
dedicação de 50% do seu tempo ao projeto). Além disso, todos os valores da
distribuição de probabilidade (tempo otimista, moda e tempo pessimista) associada ao
tempo de execução de ensaios de laboratório de águas rasas são divididos por dois. Por
fim, podemos observar que esse cenário proporciona um ganho com relação a rodada 11
de 26,81 dias para o tempo de projeto (259,57 – 232,76). O objetivo da realização desse
cenário é apenas investigativo, já que as ações para a obtenção dessa configuração são
desconhecidas. A Tabela 41 abaixo apresenta as principais estatísticas para essa rodada
de Simulação.
Tabela 41 – Especificado pelo usuário para a rodada 22
O Gráfico 38 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 22. As colunas Cell Limits fornecem os limites inferior e superior para as classes
145
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
Gráfico 38 – Probabilidade acumulada de realização do projeto para a rodada 22
146
A.3.22
Rodada 23 – Modelo estocástico com redução do tempo de fazer
ensaios de laboratório para águas profundas
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas e aumenta-se o número de EGFs
envolvidos no projeto de 1 para 1,5 (um EGF com dedicação integral e outro com
dedicação de 50% do seu tempo ao projeto). Além disso, todos os valores da
distribuição de probabilidade (tempo otimista, moda e tempo pessimista) associada ao
tempo de execução de ensaios de laboratório de águas profundas são divididos por dois.
Por fim, podemos observar que esse cenário proporciona um ganho com relação a
rodada 11 de 9,53 dias para o tempo de projeto (259,57 – 250,04). O objetivo da
realização desse cenário é apenas investigativo, já que as ações para a obtenção dessa
configuração são desconhecidas. A Tabela 42 abaixo apresenta as principais estatísticas
para essa rodada de Simulação.
Tabela 42 – Especificado pelo usuário para a rodada 23
O Gráfico 39 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 23. As colunas Cell Limits fornecem os limites inferior e superior para as classes
147
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
Gráfico 39 – Probabilidade acumulada de realização do projeto para a rodada 23
148
A.3.23
Rodada 24 - Modelo estocástico com redução do tempo de fazer
ensaios de laboratório para águas rasas e profundas simultaneamente.
Esse modelo considera o cenário de execução do projeto em que o trecho de águas rasas
inicia conjuntamente com o trecho de águas profundas e aumenta-se o número de EGF
envolvidos no projeto de 1 para 1,5 (um EGF com dedicação integral e outro com
dedicação de 50% do seu tempo ao projeto). Além disso, todos os valores da
distribuição de probabilidade (tempo otimista, moda e tempo pessimista) associada ao
tempo de execução de ensaios de laboratório de águas rasas e profundas são divididos
por dois. Por fim, podemos observar que esse cenário proporciona um ganho com
relação a rodada 11 de 58,76 dias para o tempo de projeto (259.57 – 200,81). O objetivo
da realização desse cenário é apenas investigativo, já que as ações para a obtenção dessa
configuração são desconhecidas. A Tabela 43 abaixo apresenta as principais estatísticas
para essa rodada de Simulação.
Tabela 43 – Especificado pelo usuário para a rodada 24
O Gráfico 40 abaixo mostra as classes de freqüências para o tempo de projeto, por meio
de histogramas, assim como o respectivo gráfico de probabilidade acumulada para a
rodada 24. As colunas Cell Limits fornecem os limites inferior e superior para as classes
149
de freqüência do tempo de projeto, enquanto que as colunas ABS. Freq e Rel. Freq
fornecem a freqüência absoluta e a freqüência relativa para cada classe de freqüência.
Gráfico 40– Probabilidade acumulada de realização do projeto para a rodada 24
150
A.4 Comparação de médias com dados emparelhados
A comparação entre duas alternativas de rodada pode ser realizada via a Comparação
de média com dados emparelhados (KELTON et al, 2010). Para as rodadas que se
deseja comparar, esse teste pode ser realizado via o recurso do ARENA chamado
Output Analyser.
As medidas de desempenho das rodadas podem ser consideradas dados emparelhados,
na medida em que cada replicação de uma rodada está relacionada com a replicação
equivalente da rodada alternativa, por intermédio de uma causa comum a todas as
replicações. Ou seja, essa relação tem a mesma causa entre as diversas replicações
equivalentes entre as rodadas. Por exemplo, ao mudar uma variável no modelo de
Simulação de uma rodada para outra, a causa que originou a diferença entre o resultado
da replicação 1, de uma rodada, com a replicação 1, da outra rodada, é a mesma causa
que originou a diferença entre a replicação 5 da primeira rodada, com a replicação 5 da
outra rodada.
Com relação ao teste propriamente dito, imagine agora uma amostra de uma rodada
, com média igual a
, com média igual a
seqüência
, emparelhada com a primeira. Chamemos a
de
Agora, definamos que
=
.
, e que Sd =
Podemos supor (NETO, 2002) que
que
e uma outra amostra, de outra rodada,
tem distribuição t-student, sendo
é a média amostral da amostra das diferenças,
amostra das diferenças,
é a média populacional da
é o desvio-padrão da amostra das diferenças e n é o tamanho
da amostra das diferenças.
Assim, podemos testar a hipótese da igualdade entre as médias, sob uma certa
significância
( = erro do tipo I, ou seja, rejeitar a hipótese H0, sendo H0 verdadeira).
Isso é feito por meio de um teste de hipótese bicaudal (NETO, 2002). No estudo de
151
Simulação em questão, testamos a hipótese da igualdade entre as médias, sob a
significância de
Se
>
.
H0:
= 0,
H1:
0.
então rejeita-se a hipótese H0 e admite-se que as médias das duas
populações, referentes às amostras, são distintas. Do contrário, não há evidências para
se rejeitar a hipótese H0.
Outra maneira forma de se realizar o teste é por meio do estabelecimento do intervalo
de confiança para a
com nível de confiança
(KELTON, 2010). Se o
intervalo de confiança não contiver 0, então poderemos rejeitar a hipótese H0 e admitir
que as médias são distintas sob significância de
Para o 1º caso, comparando a rodada 6 com a rodada 1:
Lembrando que n = 200 (Number of obs),
(Estd mean difference) e que
(Standard deviation), temos:
Então,
17,62
Por meio de uma tabela t-student,
=1,960, com
e n=200, ou 199 graus
de liberdade. Logo,
Como
, pois 17,62
1,960
Rejeita-se a hipótese H0. Ou seja, não
há evidências estatísticas de que as médias das rodadas 6 e 1 sejam iguais em um nível
de significância de 5%. Logo, rejeita-se H0 e admite-se que as médias são distintas.
A outra forma de realização do teste:
Intervalo de confiança para
: IC
h
152
Para
, logo h
Assim, IC
(half-width)
h
IC possui
= 95% de
confiança. Como o intervalo não contém 0, rejeita-se H0 e admite-se que as médias são
distintas.
Para o 2º caso, comparando a rodada 11 com a rodada 1:
Lembrando que n = 200 (Number of obs),
(Estd mean difference) e que
(Standard deviation), temos:
Então,
22,37
Por meio de uma tabela t-student,
=1,960, com
e n=200, ou 199 graus
de liberdade. Logo,
Como
, pois 22,37
1,960
Rejeita-se a hipótese H0. Ou seja, não há
evidências estatísticas de que as médias das rodadas 11 e 1 sejam iguais em um nível de
significância de 5%. Logo, rejeita-se H0 e admite-se que as médias são distintas.
A outra forma de realização do teste:
Intervalo de confiança para
Para
Assim, IC
: IC
h
, logo h
h
(half-width)
IC possui
= 95% de
confiança. Como o intervalo não contém 0, rejeita-se H0 e admite-se que as médias são
distintas.
153
154